DI

SEÑOSDEI
NVESTI
GACI
ÓNYANÁLI
SISDEDATOS

I
NTRODUCCI
ÓN.CONSEJOSBÁSI
COSDEESTUDI
O

I.
-Elexamenconst
adet r
essi
tuaci
ones,cadaunadelascual
escompr
ende
unmíni
mode7preguntasyunmáximode10, par
auntot
alde25:

-Laprimer acompr endelost emas1- 4:Teor í

adel ai nf
erenciaest adí
sti
ca,
cálculodei nter
valosdeconf ianza,contr astedehi pótesis,valoryni velcrí
ti
co
sobr elamedi a,l
apr oporci
ónyl avarianza.Elt ema1eselmásl ar
goyesel
fundament al
,expr esa los f
undament os t eóricos de t oda la asignatura.Los
demássondesar roll
os,enlost emas1- 2par adi señosconunamuest raylos
temas3y4, paradiseñoscondosmuest ras.
-Lasegunda,lost emas5-7:Compr endel osanál isisdev ari
anza( ANOVA)con
variasmuest r
as.El t
ema5esel equiv
alent eal tema1.
-Later
cera,sóloel t
ema8: Análi
sisder egresiónlinealymúl ti
ple.

Enconsecuencial ológicoesdedicarlamay orpar t

edelt iempoaest udiary
asi
mi l
arbienl osconceptosdel ostemas1y5( fundament ost eór
icosdel a
asi
gnaturayl osANOVA)yelt ema8( anál
isisder egresión).LosANOVAson
cál
culosmuycompl ejos;enelexamendanl osdat osintermediosyset r
atade
completarlosquefal
tan,par al
ocualhayquet enerencuent alasrelaci
onesentre
sumasymedi ascuadráti
casyl osgradosdel i
ber t
adpar acompar arelval
ordeF
conlosv al
oresdelastablasalhacerelcontr
astedehi pótesis.Yparalosdiseños
máscompl ejoslaspreguntassuelenserdeteoría.

II.
-Apr oximadament eent r
e2/ 5ylami taddel aspreguntassondet eorí
a.Es
fundament aldomi narl
a,por quesisecont estanbi enlaspr eguntasdet eoría,
supone2/ 3delapr obadoysisecont estanmal ,esimposibl
eapr obaraunquese
haganbi enl ospr oblemas.Ademássudomi nioper mit
epl antearyr esolv
erlos
correctament e.Esmuyi mpor t
antefij
arsebi enenl oquepidenyl osdat osque
nosof recenpar aident i
fi
carelpr obl
ema:“ Distintoodi f
erent
e”,implicacontraste
bil
ateral(doscol as);“may oromenorque” ,unil
at er
al(unacola).Cuandosehabl a
deunpar ámet r
ogenér i
co, seestánrefi
ri
endoal amedia;porcentaj
eesl omi smo
quepr oporciónyv ariabi
li
dadesv ari
anzaodesv i
acióntí
pica.

Latécni
caopr
ocedi
mient
opar
aelcont
rast
edehi
pót
esi
sessi
empr
ela
mi
sma:

1.-Det er
minaci
ón delossupuest osdelproblema(ti
posdedi seño yde
contr
aste).
2.-Formulaci
óndelashipót
esisest
adíst
icas(
nulayal
ter
nati
va).
3.-Elecci
ónycálculodelestadí
sti
codecontraste(
EC),el
i
giendolafór
mula
corr
ecta.
1
 4.
-Deci si
ónsobreelrechazoonodel ahi
pótesi
snul
aplanteadaparaelnivel
designifi
caciónαdeseadooquenosden,medi ant
elacompar aci
ónentreel(o
l
os)v alor
(es)crí
ti
co(
s),cálculodelni
velpcr
ít
ico,t
amañodelef ect
oyav eces,
pot
enci adelcontr
ast
e.
6.
-Concl usión e i
nter
pr et
aci
ón de l
os r
esult
ados en elcontext
o de la
i
nvestigaci
ón.

TEMA1:
ESTI
MACI
ÓNDEPARÁMETROSYCONTRASTEDEHI
PÓTESI
S

1.
-Concept
osbási
cos.

Lainfer enci
aestadísticaesl apartedel acienci
aest adísticaqueestudi
alos
procedimi entosat r
avésdel oscualessepuede:
Esti
marconunel ev adogr adodepr obabi
li
daddet erminadaspr opi
edadeso
parámet ros de una pobl ación,parti
endo de l os estadísticos di
sponibl
es o
calculadosenunamuest r
adel ami smaobt eni
dadef ormaal eator
ia.
Al ai nversa,estudiarsidet erminados v al
ores muest ral
es se apart
an
si
gni f
icati
v ament edelospar ámet r
ospobl aci
onales.

Enest aasi gnaturalosest adí

sti
cossobr el osquesev aat r
abajarsonl a
media,lapr oporci
ón,lav ar
ianza( osuraízcuadr ada,ladesviacióntípica)ylos
coefi
cientes de regresi
ón,cor rel
aci
ón ydet erminaci
ón,aunque l ai nferenci
a
pueder eali
zarsesobr ecualquierotr
oest adísti
co( mediana,moda,r ango,et c.
),
exi
sti
endounpr ocedimientoof órmul
adiferentepar acadaestadísti
co.

-Eler
rormuestralesladi
fer
enci
aentreelresul
tadoobteni
doenlamuest
ray
el
quehabr í
amosobt eni
dosisehubi
esetrabaj
adocont odalapobl
aci
ón.
-Eler
rortí
picoesladesvi
aci
óntí
picadelestadí
sti
co.

Si obt enemos disti

ntas muest
ras al
eatori
as de una pobl ación, l
os
est
adísticosdecadaunadeel l
ast
omaránvalor
esdiferentes.Ladist
ribuciónde
l
osest adísti
cosmuestral
essecompor t
acomounav ariablealeat
ori
a,conocida
comodi str
ibuci
ónmuest r
al.Esmuyi mpor
tantedisti
nguirynoconf undirl
os
si
guientesconceptos:

a)Dist
ribuciónde( oen)l amuest ra:Sonl osdat osov al
ores(dist
ribuciónde
fr
ecuenci as)quet omal avariableenunamuest r
aconcr eta.Lamedi a,
medi ana,proporción, desvi
aci
ónt í
pica,correl
ación,
etc.delamuest ra,son
l
osest adísticos.
b)Dist
ribución pobl acional:Son l os dat os o v al
ores (distr
ibución de
fr
ecuenci as)quet omaunav ariableenelconj untodel apobl ación.Su
medi a,medi ana,pr oporci
ón,desv i
aciónt í
picas,et
c.sonl ospar ámet ros
poblacionales.
c)Dist
ribución muest ralde un est adíst
ico:Son l os datos o v alores
2
 (di
stri
bucióndef r
ecuenci
as)quet omaunav ari
abl
eoest adísti
coenel
conjuntodet odaslasinf
init
asmuest r
asquepuedenobt ener sedeuna
población.Comoent odadist
ri
buci
ón,tambiéndeladist
ri
buci ónmuest ral
,
podemos obt enersu medi a ysu desvi
ación t
ípi
ca o errort í
pico del
estadísti
co.

Cuandolosestadíst
icos(muestrales)seref
ier
enaunamuest raconcreta,se
desi
gnanconl et
raslati
nasmayúscul as(Mediadelamuest r
a=Y,Varianzadel a
muest a=S2,
r Proporci
óndel amuest ra=P).Losmi smosparámet
rosrefer
idosa
l
apobl aci
ón,
seindicanconloscaracteresgri
egosequival
ent
esenminúsculas( µ,
2
π,σ) .

3
2.Di
str
ibuci
ónmuest
ral
del
aMEDI
A.

Hayquedi
sti
ngui
rtr
essupuest
os:

1.-Siladistr
ibuci
ónpoblacionaldel av ariabl
edeest udioesnor malcon
mediaµ yv ar
ianzao desvi
aciónt í
pica σ conocidas,coni ndependenciadel
tamañodel amuest r
a,ladi
stri
buciónmuest raldelestadíst
icomedi aest ambi
én
normal,siendo su media y desviaci
ón típica (o err
ort ípi
co de l a media),
respect
ivamenteµY yσ/n( fórmula1,pág.9delf ormulario).Sitipif
icamoslas
medidas,seráN(0,1)
.

2.-Sisedesconocel avari
anza(olaformadeladistr
ibuci
ónpobl
acional
),el
estadísti
co mediasedi st
ri
buyecomo unaT deSt udent,conn-1gradosde
l
ibertadyusar emosladesvi
aci
ónt í
picai
nsesgadaocuasidesvi
aci
óntí
picadela
muest ra(fór
mula2,pági
na9del f
ormular
io,oj
osiempren-1envezden).

3.-Enelsupuest o2,sil amuestraesl osufici

entementegr ande( n>30o
n>100,segúnlosautores),aunqueelest
adíst
icomedi aseguirádi
st r
ibuyéndose
según la T de Student,porelTeor ema CentraldelLí mitetender á a una
dist
ri
buciónnormalypodr emosusarlaprimerafórmuladelcuader ni
llosiempre
queseut il
i
cenladesv i
aciónt í
picai
nsesgadaocuasi desv
iaci
ónt ípicadel a
muestraconn- 1env ezden,sin.Sino,saldrámal( pr
oblema1delexamende
septi
embr e-
2016)
.

3.Di
str
ibuci
ónmuest
ral
del
aPROPORCI
ÓN.

Enlasv ari
ablesdi cotómicasodi cotomi zadas(lasquesól opuedent omar
dos valores),la propor ci
ón es elpor centaje de elementos que t i
enen una
deter
minada pr opi
edad ( éxi
to)en r el
ación con elt otal
.Las probabi l
idades
asoci
adasacadav alorconcr etosedi st
ribuyensegúnl adist
ri
buciónbi nomi al
conparámet rosnyπ.Conmuest r
asgrandesl abinomi alti
endeaapr oximar sea
l
anor malN( π,σp),(f
ór mula3, pági
na9delcuader ni
ll
o).Enestaasignaturapar a
resol
verlospr oblemassól oseusal adistr
ibuciónnormal .

4.Di
str
ibuci
ónmuest
ral
del
aVARI
ANZA.

Ladistri
buci
ónmuestr
aldelavari
anzaseaj aaunaχ2(
ust chi
-cuadr
ado),con
2
n-
1gr adosdel i
ber
tad.Cuandolamuestraesmay orde100,laχ t i
endeal a
2
nor
mal ,aunquel
avari
anzasi
guedist
ri
buyéndosesegúnlaχ.

Esmuyimport
anter
etenerquecadaestadí
sti
cosedist
ribuy
econsupr opi
a
funci
óndedist
ri
buci
ónquenocambi aconelt amañodel amuest r
a;cuesti
ón
dif
erent
eesqueporelTCLcuantomay orsealamuest
ra,taldi
str
ibuci
ón(Tde
4
Student
,binomi
alochi
-cuadrado)seapr
oxi
memásal anormal,
perodebeusarse
si
empr elaf ór
mula delest adí
sti
co que cor
responda,aunque l
uego dicho
estadí
sti
coseuseenlatablanormal.

5.
-ESTI
MACI
ÓNDEPARÁMETROS:
PUNTUALYPORI
NTERVALOS.

Unest imadoresunest adí

sti
cocalcul
adoenl amuest raqueseut il
izapara
esti
maroel abor
arhipótesisacercadelval
ordelpar ámetr
ocorrespondienteenla
población.Parat odopar ámetroexistendiversosestimadores,condi ferent
es
propiedades.Porejempl o,paralamedi apoblaci
onalpodríanuti
li
zarselamedi a
ari
tmét i
caol amedi ageomét ri
cadelamuest ra.Elusodeunodeot r
odepender á
delpar ámetroquepr etendaest imar
seydel abondadenelcumpl i
mi entode
determinadaspropiedades.

Laspr
opi
edadespr
inci
pal
esdel
osest
imador
esson:

a)Sesgo:Unest imadoresi nsesgadocuandosuv al

oresper ado,esdeci r,la
medi adeladi stri
buciónmuest ral
,coincideconel parámetroest i
mado.
b)Efi
ciencia o pr eci
sión:Esl ainversa de lav ari
anza.Un est i
madores
efi
ciente cuando t i
ene poca v ar i
abil
i
dad. Ent re dos est i
madores
i
nsesgadosesmásef ici
enteelquet i
enemenordesv iaci
ónt ípicaoer ror
tí
picodemedi dayport anto,menorv ari
anza.
c)Consistencia.Unest imadoresconsi st
entecuandoalaument arelt amaño
del amuest ra,lavarianzadelest i
madordi sminuy e,t
endiendoenell ímite
a0.
d)Sufici
encia.Unest imadoressuf i
cientesiparaest imarelpar ámet rodel a
poblaci
ónut il
izat odosl oselement osoi nf
ormaci óndi sponiblesenl a
muest r
a.

La propi
edad de l
os est
imador
es i
nsesgados yef
ici
ent
es (
con v
ari
anza
pequeña)sell
amaacuraci
dad.

Losest adí
sti
cosmedi a,pr oporciónycoef i
cientedecor rel
aciónmuest r
ales
son est imadores insesgados,ef icient
es,consi stent
es ysuf icientes de los
parámetros media,pr oporción y coef i
cient
e de cor rel
ación pobl aci
onal.La
medianaesef ici
enteyconsi st enteper onoesi nsesgada;nitampocosuf ici
ente
alusarsólolosvalor
escent ralesdel amuest r
a.

La v ari
anza muestralno es un est imador insesgado de l av ari
anza
poblacional
,aunquesícumpleconlasotrastrespropiedades.Porelcontrar
io,l
a
cuasivari
anzamuest r
al( ovar
ianzainsesgada,calculadasobren- 1)síesun
esti
madori nsesgadodel av
ari
anzapoblacional,per
oesmenosef i
cient
equel a
vari
anzamuest ral
.

5
 Resumendel
aspr
opi
edadesdeest
adí
sti
cos

Car
enci
adesesgo Ef
ici
enci
a Suf
ici
enci
a Consi
stenci
a
Medi
aAr
it
mét
ica SI >Medi
ana SI SI
Medi
ana NO <Medi
a NO SI
Pr
opor
ción SI -
--
-- SI SI
Var
ianza NO >S2n-1 SI SI
2
Cuasi
var
ianza SI <S SI SI
Laesti
macióndepar ámet rosapar ti
rdel osest adí
sticosmuest ralespuede
serpuntualoporinter
valos.Enl aesti
maciónpunt ualseut i
li
zadi r
ectament eel
valordelest adí
sti
co calculado en una muest ra aleatori
a concret a como
verdaderoval
ordelpar ámetropobl acional.Sinembar go,comoesmuypoco
probablequeasíocurr
a,espr efer
ibl
edef i
niruni nt
ervalodev al
oresent r
ecuy os
l
ími tes i
nfer
ior y super i
or se encont r ar
á, con una al ta pr obabil
idad
predeter
minada,elver
dader ov al
ordelpar ámet r
o.A est epr ocedi
mient osel e
conoceconel nombredeest i
maci ónporinter v
alosdeconf ianza.

Lapr obabil
idadsobrelaquesecalcul
aelinterv
alodeconfianza,sel l
ama
ni
veldeconf i
anza(1-α)ysedefinecomol apr
obabil
idaddequeelpar ámetro
poblacionalestéconteni
do ent
relosextremosdeli nt
erv
alo.Lapr obabil
idad
compl ementari
a delnivelde confi
anza (α)r
ecibe elnombr e de nivelde
si
gnifi
cación.

Par auntamañodemuest r
adado, cuantomay orsealaamplituddeli nter
valo,
may orseráelni veldeconfianza(pr
obabi l
idaddequeelv al
orpobl aci
onalest é
dentrodelmi smo),peromenorl apr eci
sión( puestoqueeli nt er
valoesmás
ampl i
o).Cuant omay orsealadisper
siónmuest ral(var
ianzaodesv iaciónt í
pica,
sesgadaoi nsesgada),menorser áelni veldeconf i
anza.Sóloalaument arel
tamañodel amuest ra,seincrementanl apr ecisi
ónyelni veldeconf ianza.En
consecuencia,par aunni veldeconf ianzadado,l aampl i
tuddeli nt
er v
alo de
confianzatendráqueserporf uer
zamay orcuant omenorseaelt amañomuest ral
ocuant omay orsealadispersi
ónmuest r
al.

Losint
erval
osdeconf i
anzasecal cul
ansegúnl asfórmulascorrespondient
es
acadaestadíst
icoenlacolumna2ªdel apági na9delformular
io.Par alamedia
seuti
li
zaladelafil
a1ªsi l
avari
anzapobl acionalesconoci
da(normal )olasdela
2ªsiesdesconoci da(TdeSt udent,aproximadaporl anor mal,sin>100per o
usandolamismaf órmul
adelestadísti
co).Paralaproporci
ón,l
afila3ª( nor
mal)y
2
paralavar
ianza,l
a4ª( χ,aproxi
madaporl anormalsin>100,fi
la5ª ).Entodos
l
oscasos,unami taddelniveldesignifi
caciónα/ 2quedaporenci madell ímit
e
superi
orylaotr
a,pordebajodell
ímiteinf
eriordeli.
c.

Cuandol
afunci
óndedi
str
ibuci
óndelest
adí
sti
coessi
mét
ri
ca(
nor
maloTde
6
Student
),bastaráconcal cularelvalorcorrespondientea1- α/
2,calculareler ror
máximoysumar l
oyr estar
lodelv al
ordel amedi aopr oporci
ónmuest r
al,que
ocuparáelv alorcentral(mediaopr oporci
ónmuest ral+/ -Emax).Sinembar go,
cuandonol oes( varanza,χ2,chi
i -cuadrado),hayquebuscarenl at ablalosdos
valor
escorrespondi entesaα/ 2ya1- α/2par acal cularlosl ímit
esi nferiory
superi
ordeli nterval
odeconf i
anza,estandoelv alorinferi
ordeli nterval
omás
próxi
moal av arianzamuestralqueel superi
or.

Eltamañomí nimodel amuest rapar aesti

marl amedi aol apropor ci
ón
pobl aci
onalconundet er
mi nadopor centajedeerrorsecalcul
aconl osv alor
es
correspondientesacadaf i
laenl acolumna3del apágina9delf or
mul ari
o.La
preguntairár ef
eri
daaunni veldesignif
icaciónodeer r
ordif
erent
ealαi nici
alde
tr
abaj oparauner rorexpresadoenunpor cent
aje(2o3%,porej emplo)oenun
valorabsoluto,sobreelquecal cul
arl
o.
I
NTERVALODECONFI
ANZAPARALAMEDI
A

N(
0,1) t
n-1gl
2 2
Dist
ri
buci
ónNor
mal
(Conoci
daσ) Desconoci
dal
aσ (
Muest
ras
pequeñas)

̅ ̅ ̅
X-(
Zα/2)·(
σX/ n)<µ<X +(
Z1-α/2)·(
σX/ n) X-( Sn-1/n)<µ<X +(
tα/2)·( t 2)
1-α/ ·(
Sn-
1/n)

7
 6.
-CONTRASTE(
opr
ueba)DEHI
PÓTESI
S.

Una hipótesi
s estadísti
ca es una conjet
ura que se for
mula sobre una
pobl
aciónyquepuedesomet erseapruebaocont rast
aci
ónempír
icaaparti
rde
unamuest rarepresentat
ivadeesapobl aci
ón.Unav ezquelahi
pótesi
sseha
contr
astado se pueden t omardeci si
ones sobrel a mi
sma.Elcont r
aste de
hi
pótesisesunapar t
eesenci aldelmétodoci
entíf
ico.

Lamet odologíadelcont rasteesf rutodelost rabajosdeFi sher,Neymany

Pearson.Sul ógicarecuerdaal adeunj uicioenunest adodederecho: Elacusado
(l
ahipót esi
snul a)esinocent e(verdadera)hast
aquel aspruebas( contr
aste)no
demuest renlocont r
ario.Silosdatos( EC)aportanresul t
adossignifi
cati
vamente
dif
erentesdel ospl anteadosenl ahipótesisnula(VC) ,éstaesr echazadayse
acepta l a hipótesis alter
nat i
va. En caso cont rar
io, se mant iene como
provi
sionalment everdaderahast aqueseencuent rennuev asevi
dencias.

Paraelcont
rast
edehi
pót
esi
ssedebenf or
marunahi
pót
esi
snulaH0 yot
ra
al
ternat
ivaH1.Enlahi
pót
esi
snula,f
orzosament
edebeest
arelsi
gnoigualy
8
ademáspuedenestarelmayorqueoelmenorque,per
onoambosalav ez.Enl
a
H1nuncaest
áelsignoigual
,conl
asexcepci
onesquesever
ánencadacaso.

Engener al,l
ahi pótesisnulaaf i
rmaquenoexi stedif
erenci
aent r
eelv alordel
estadí sti
co obt enido en l a muest ra yelque f or
mul amos como par ámet ro
pobl acional,esdeci r,
quel adiferenciaobser vadaentreestosdosv al
oresesnul a.
Sin embar go,como elv al
ordelest adísti
co muest raly eldelpar ámet ro
pobl acionalr aravezcoi ncidi
rán,loqueseaf i
rmaesquel adifer
enciaobser vada
entreambospuedeexpl i
carsecomo r esult
ado delazar .Esto es,quesise
repitiesel ai nvesti
gaciónunnúmer osuf ici
ent edev ecesconot r
asmuest ras
aleator i
as delmi smo t ipo yt amaño ext raídas de l
a poblaci
ón,l a mediao
esper anza mat emát i
ca de l as diferencias observadas entr
el os valores del
estadí sti
coyelpar ámet ropobl acionalformul adoenlahi pót
esisnulatenderíaa
desapar ecer( v
alorcero).

Paracadahipótesisnulaseplanteaunahipótesi
salter
nat
iva,r
epresentada
porH1,queeslanegaci óndel ahi
pótesi
snula,detalformaquesilahi pótesi
s
nul
aesf al
sal ahipótesisalt
ernat
ivati
enequeserf or
zosamenteverdader ay
vi
cever
sa.Por tanto,est as dos hipótesi
st i
enen que ser exhaustivas y
mutuamenteexcl
uyentes.

Dependiendodecómoest éformul
adalahi pótesisnulasemarcaladi recci
ón
delcontr
aste.Sil
ahipót
esisnulaH0estáplanteadacomoi gual
daddev aloresyla
al
ternati
vaessunegación,esuncont r
astebilateralporquelaH1 admitequel a
dif
erenci
apuedaserposi t
ivaonegat iv
a.Si,porelcont rari
o,conocemosquel a
dir
ección en quelaH0 puedeserf alsasólo puedeserposi ti
vao negat i
va,
entoncestendremosuncont r
asteunil
ater
al.Ser áuncont r
ast
eunilat
eralderecho
siestamosbuscandounv al
orsuper i
oralpost ul
adoporl aH0 ei zquierdosi
estamosbuscandounv alorinferi
orparaelpar ámetropoblaci
onal(θ)dequese
tr
ate:

Cont
rast
ebi
l
ater
al Uni
l
ater
alder
echo Uni
l
ater
ali
zqui
erdo

H0:θ=θ0 θ≤θ0
H0: θ≥θ0
H0:
H1:θ≠θ0 θ>θ0
H1: θ<θ0
H1:

Elcontr
astebilat
eralsi
empreesmásconservador
,enelsent
idodequehace
másdi
fíci
lrechazarl
ahipótesi
snul
apar
aunmi smoniveldeconf
ianza.

El
procedi
mient
opar
ael
cont
rast
edehi
pót
esi
sesel
sigui
ent
e:

9
 a.
-Condici
onesde l ainvesti
gaci
ón ysupuest
osque cumplen l
osdatos
obser
vados.Lavar
iabledebesercuanti
tati
vaymedir
seconunaescal
aderazón
odeinter
val
o(nosirv
epar avar
iabl
esordinal
esonominal
es)
.

b.-For mul acióndel ahi pótesisnul aydel aalt

ernat iv
a.Conf ormealcont exto
del ai nv estigaciónsef ormul anl ashi pótesisnul ayal ternativ
a.Engener alla
hipót esi
sci ent í
fi
ca, diri
gidaaencont rarresultadossi gnif
icativosesl aal ternativa,
que sól o se acept ará como v erdadera sielr esul t
ado delcont rast e apor t
a
evidenci ascont r
al ahipót esisnulaquesepr etender echazar .
Par anoconf undi rnos,esmej orformul arprimerol ahi pótesisalter nati
va,que
esl oquepr et endemoscont r
astar( silamedi adel apobl aciónesmay orque; sila
varianzaesmenorque,et c.).Unav ezf i
jada,lahipót esi
scont rari
aexcl uyent ey
exhaust iva,quef orzosament eincl ui
rási empr eelsi gnoi gual ,serál ahi pótesis
nula.Alf i
jarl ahipót esi
sal ternativasepl antearátambi énelcar ácteruni lateralo
bil
at eraldel contrast e.

c.
-El
ecci
ónycál
cul
odel
est
adí
sti
codecont
rast
e.

Elestadí
sti
co de contr
aster epr
esenta una medida est
andari
zada de la
discrepanci
a entr
elai nf
ormación proporcionada porlos datos empír
icos
recogidosenlamuestr
ayl aproposici
ónteóricaplant
eadaenlahipót
esisnul
a.

ElEC es una v ari

able al
eat
ori
a con una deter
minada di
stri
buci
ón de
pr
obabil
idad que depender
á delestadí
sti
co de que se t
rat
e y delti
po de
ex
perimento.

Elest
adí
sti
codecont
rast
eomedi dadediscrepanci
anodependedel
as
uni
dadesenqueest
émedi
dalavar
iabl
eysuf
ormulaciónhabi
tual
es:

d.
-Regl
adedeci
sión,
deacuer
doconel
niv
eldesi
gni
fi
caci
ónα.

Cal culadoelvalordelest adísti

codecont r
ast
eodi screpanciaent r
elosdat os
empí ri
cosobser vadosenl amuest raylosdat osteór
icosquepl anteamosenl a
hi
pót esis nula se t oma una deci si
ón respecto alr echazo o no de H0,
estableciendopreviamenteelni veldesigni
ficaci
ónque, segúnFi sher,r
epresenta
elmáxi mo riesgo de rechazaruna hi pótesisnulav erdadera.En pur i
dad,l a
hi
pót esisnulanoseacept a,sinoquenoser echaza(def ormapr ovisi
onal)
,porno
haberev idenciaempíricasuficientedesuf al
sedad.
10
 Dicho de otro modo,además de def inirla discrepanci
a( estadíst
ico de
contrast
e)espr ecisoconsi derarcuant adiscr epanciaconsideramosadmi si
ble
paranoserat r
ibuiblealazar.Esdeci r,debemosdet erminar,aprior
i,cuálserála
di
ferenci
amáxi maent reelestimadoryelpar ámetroqueest amosdi spuestosa
consider
arcompat i
bleconl aH0.Est adeci sióndepender ádel adistri
buciónde
probabil
i
daddel amedi dadedi screpancia,del adirecci
óndelcont r
asteydel
ri
esgodeer r
orqueest emosdi spuestosaasumi r
.

Cual quieraqueseal aformadel af uncióndedi st

ribuci
óndelest adísti
code
contr
ast e,sielcont rasteesbilateraltendremost reszonasdel imit
adasporl os
dosv alorescr ít
icosquesesi t
úanenelej ehor i
zontaldel adistr
ibuciónmuest r
al.
Siladistribuciónessi métri
calapr eguntahabi t
ualparal oscontrastesbi lat
eral
es
es“ v
alorcr ít
icoenv alorabsoluto”.Sielcont rast
eesuni later
alizqui erdosolo
tendr
emosdoszonas, siendolaregiónder echazolasi t
uadaenl apar t
ei zquier
da
deladi stribuciónysielcont r
asteesuni l
ateralder
echo,l aregiónder echazose
sit
uaráenl apar t
ederechadel adi str
ibuciónmuest ralcomoser epresentanen
l
ossi guient esgráfi
cosesquemát i
cos:

CONTRASTEUNI
LATERALI
ZQUI
ERDO CONTRASTEUNI
LATERALDERECHO

Zona ZonaAcept
aci
ón ZonaAcept
aci
ón Zona
RechazoH0 H0(
1–α) H0 (
1–α) RechazoH0
|
--
--
--
--
-|
--
--
--
--
--
--
--
---
--
---
--
----
--
--
--
--
--
--
--
-| |
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
|-
--
--
--
-|
α / VALOR CRÍ
TICO VALORCRÍ
TICO / 1-α

CONTRASTEBI
LATERAL Val
oresα/1-α/Zmásf
recuent
es

11
Val
orcr
ít
ico(
Zα/2) Val
orcr
ít
ico(
Zα/2) α 0´
05 0´
01 0´
001

1-α 0´
95 ´
99 0´
999
Z -1´
96 - -
α/
2 2´
58 3´
29
Z1-α/2 1´
96 2´
58 3´
29
α Ni
vel
desi
gni
fi
caci
ón

1–α Ni
vel
deconf
ianza
Zα/2 Z(
Tabl
aII
Inegat
iva)
Z1-α/2 Z(
Tabl
aIVposi
ti
va)

Lasgr
áfi
cassei
nter
pret
andel
asi
gui
ent
emaner
a:

-En elej ei nferi

orhor izontal( abscisas)se r epresentan l
os v alor
es del
estadísti
co.En l a nor maly T de St udentv an de menos a más i nfini
to,
2
coincidi
endoel0conelpi codel acur va.Enl aχ yl aFdeFi scher
-Snedecor,de0
ainf i
nit
o.
-La cur var epresental a di st
ri
buci ón o f r
ecuencia para cada v al
ordel
estadísti
co.
-Eláreacompr endidaent r
elacur va,elejedeabsci sasyelej eper pendicul
ar
correspondi enteal val
ordel estadísti
cor epresentalaprobabi l
i
daddequesedéel
val
order eferencia,entre0y1.
-Last ablasdanl apr obabili
daddequeelest adíst
icotomeunv alori
gualo
i
nfer i
oralder eferencia,esdeci r,eláreacompr endidaent r
el acurvayelej ede
abscisassi tuadoal aizquierdadelv alordel av ari
able(loponeenelgr áfi
coque
hayenci madel ast ablas)

Elnivelde signifi
cación que suele ut i
li
zarse en l a mayor í
a de las
i
nvest
igaci
onesesdel0, 05,aunqueeninvestigacionesmásr i
gur
osasset r
abaj
a
conunniveldesi
gnif
icaciónde0,01yauni nferi
or.Ser echazarál
ahipótesisnul
a
si
emprequel apr
obabili
daddeexpl i
carlosresultadosobt eni
dosenr el
aciónala
H0seamenorqueel niv
el designi
fi
caci
ón.

Unav ezfi
jadoelni
v eldesignif
icación,seobtienenelval
oroval
orescr í
ti
cos
deladi st
ri
buciónmuestralquemar caránl oslí
mitesdel azonadeaceptaci
óno
rechazodel aH0 oseal amáxi madi ferenci
aquepodemosadmi ti
r,porsimple
azar,entr
eelvalort
eór
icoplanteadoenH0yel valorobteni
doenlamuestra.

Lazonader echazodelaH0dependedelniveldesigni
fi
caciónαyeselár ea
deladistr
ibuci
ónmuest r
alquecorrespondeaunv al
ordel adiscr
epanci
at an
al
ejadodeH0quel aprobabi
li
daddeobtenerl
o,si
endoH0v erdader
a,esi
nfer
ioral
12
valordesi gni
fi
cación.Lar egi
óndenor echazodeaH0,compl ementari
aal a
anteri
or,dependedelni veldeconfianza,1- αyeselár eadel adistr
ibuci
ón
muest r
alquecor respondeav al
oresdel adi scr
epanci
atanpocoalejadosdel
formuladoenlaH0quel aprobabi
li
daddeobt ener
lossi
endoH0v
erdaderaesmuy
elevada,noexi
sti
endoev idenci
apararechazar l
a.

Port anto,sielestadísti
codecont rast
esesi t
úaenl azonadeNOr echazo, l
a
diferenciaobser vadanoessi gnif
icati
vaysedebeaer roresal
eat or
iosporl oque
nopodemosr echazarlahipótesisnulaconundet er
minadoni veldeconf ianza.En
caso de si tuarse en la zona de r echazo,diremos que elv alordelEC es
si
gni fi
cat i
vo par a un determinado ni velde signifi
cación y se r echazarál a
hipótesisnul a.Endef i
niti
va,sielv alorabsolutodelECesmay orqueelv al
or
críti
co( elcorrespondientealniveldesi gni
fi
cación),
ser echazalahipót esisnulay
noser echazar áencasocont r
ari
o.

Ladecisiónpuedetomarsetambiénmedi
anteelcálcul
odelnivelpcr í
ti
co,
queesl apr obabil
i
daddeobt enerunosr
esul
tadoscomol osobser
v adosenla
muest r
abaj oelsupuest
odequel aH0esci
ert
a.Laregl
adedecisi
ónat r
avésdel
nivelcrí
ti
coesj ustolainv
ersa:Sipes≤α,rechazar
emosH0,ysip>α,nol a
rechazaremos.Estoes:

Ho( Cierta) (
p)esmay orque( α) Elvalorseencuent raenelinter
val
ode
conf
ianza.Elv al
ordelestadí
sti
coest áentrelosvalorescr
ít
icos.
Ho( Falsa)(p)esmenoroi gualque( α)Elv alorest
áf uer
adelinter
val
ode
conf
ianza.Elv al
orabsolutodelestadíst
icoesmay orquelosv al
orescrí
ti
cos.

e.
-Conclusi
ón.Formulada l
a hipótesi
s nula,provisi
onalmenteverdadera,
someti
daacont r
asteempí
ri
coyunav ezcal
culadoelestadíst
icodecontr
aste,se
concl
uyerechazándol
aomant eniéndolasegúnseai ncompatibl
eonoconl a
evi
denci
amuest r
al.

f
.-Inter
pret
aci
ón.Laconclusi
ónsi
mpleyl l
anaentérminosderechazoonode
l
ahipót esi
snul
ati
enesucorrespondi
ent
ei nt
erpr
etaci
óndentrodelcontext
odel
a
i
nvestigaci
ónydel ahipótesisyobjet
ivosqueeli nvesti
gadorformulaensu
t
rabajo.

RESUMENDELPROCEDI MIENTODELCONTRASTEDEHI PÓTESIS)

1.
-Det erminaci
óndelossupuest osdelproblema( car
acter
íst
icasdel a
var
iabl
eenl apoblaci
ónydat
osdel amuestr
a):Tamañoynúmer odemuest r
as,
sison i ndependient
es o r
elaci
onadas,sila distr
ibuci
ón de la pobl
aci
ón
conocida,etc.

13
 2.-For mulacióndel ashi pótesi sestadíst
icas( exhaust
ivasymut uamente
excluy entes)deacuer doconl ahi pótesi
sci ent
ífica(H1yH0).
3.-Elecciónycál cul
odelest adísti
codecont r
asteapropiadoalpr oblema
planteadoycál culoconl osdatosmuest rales.
4.-Fijarα( r
egladedeci sión).Lazonader echazodel aH0est ar
áf or
mada
port odosl osvaloresdelest adísticotanext r
emosquel aprobabili
daddeser
obteni dosesmuypequeñabaj oelsupuest odequel aH0esciert
a.
5.-Deci si
ónsobr eelr echazoonodel aH0 medi anteelnivelcrí
ti
co( p)o
medi ant eelolosv alorescrí
ti
cos( α).
6.-Concl usión ei nter
pretación del osresul t
adosen elcont exto dela
i
nv estigación.

7.
-ERRORESENLADECI
SIÓNENUNCONTRASTEDEHI
PÓTESI
S.

Aldecidirentrelahipótesisnulaosual ternat
ivapodemoscomet erdost i
pos
deerrores:
-Er r
ortipoI(α):Eslapr obabili
dadder echazarunahipótesisnulaverdadera.
Coincideconelni veldesi gnif
icaciónα,fij
adoapr i
oriporeli nvest
igador.Su
compl ement ar
io,probabil
i
dad de acept aruna H0 v erdadera es elni velde
confi
anza.
ErrortipoI I(
β):Esl apr obabil
idaddeacept arunahi pótesisnulafalsa.Su
compl ement ar
io1-β,probabili
dadder echazarunaH0 f alsaesl apotenciadel
contraste.

Deci
sión Nat
ural
ezadeH0
VERDADERA FALSA

Deci
sióncor
rect
a. Deci
sióner
rónea
Nose
Ni
vel
deconf
ianza Er
rort
ipoI
I
r
echaza
1-
α β

Deci
sióner
rónea Deci
sióncor
rect
a
Ser
echaza Er
rort
ipoI Potenciadel
Ni
vel
desi
gni
fi
caci
ónα contrast
e
1-
β

14
 Paraigualtamañomuest rall
adi sminucióndelerrort
ipoIaumentaelerror
ti
poII.Laopci ónporunouot rodepender ádelt i
podeexperi
ment oydesus
consecuenci
as;en un t ratamient
o médi co elerrorde ti
po IIes peor( no
benefi
ciar
sedeunt rat
ami entomásef i
caz,frent
ealcostedeinversi
ónenuno
quenol oes).Sinembargo, enunjuicioelerrordetipoIesmásgrave(condenar
auninocente,frent
eadejarlibreauncul pabl
e).

Laf uerzadeunfenómenosemi demedi anteelt

amañodelef ecto,coefi
ciente
que expr esa l
a magnitud de l
a dif
er enci
a observ
ada entr
e elv alorteórico
plant eadoporlahipótesisnul
ayelv alorobservadoparal
ahi pótesisalter
nativa
expr esadoenunamét ri
cacomún( estadísti
co“d”deCohen).Oscilaent r
e0e∞.
Seconsi deraelef
ectofuert
esies0,8omay or
,moderadosiestáent r
e0,5y0, 7y
débil siesmenorde0, 5.

15
TEMA2.
-CONTRASTEDEHI
PÓTESI
SENLOSDI
SEÑOSDEUNAMUESTRA.

1.
-INTRODUCCI
ÓN.(
Fór
mul
asdel
apági
na9del
for
mul
ari
o(UNAMUESTRA)
.

Cuandosetratadeinfer
irl
ascaracterí
sti
casdel apobl
aci
ónapar t
irdel
os
datosrecogi
dosdeunamuest r
a,l
ahi pótesi
sacont r
astarespreci
sament
euna
deter
minadacaract
erí
sti
cadeaquell
a.Loscont rast
esbasadosenunamuestra
puedenser:

-Par
amét r
icos,cuandoser efi
erenalestudiodeunparámet
ropobl
aci
onal
(medi
a,var
ianza,propor
ción,cor
rel
ación,et
c.)enunapobl
aci
ónconunaf
unción
dedensi
daddepr obabil
i
dadconocida.

-Noparamétr
icos,cuandonoser elaci
onanconpar
ámetr
ospoblaci
onaleso
seencuent
ranref
eri
dasadat osquepr ovi
enendeunapobl
aci
ónconunaf unci
ón
de densi
dad de probabil
idad desconoci
da.Son menos pot
entes que los
ant
eri
oresynoseest udi
anaquí.

Ademásdepar aesti
marparámetr
ospoblaci
onal
es,eli
nter
val
odeconfi
anza
puedetambiénaplicar
separaelcontrast
edehipót
esi
s.Sinembargo,esmucho
másf r
ecuenteobtenerelest
adí
sti
codecont r
ast
ecomounamedi damásexacta
deladi scr
epanci
aent r
eelv al
orplanteadoenlaH0 yelv al
orobteni
doenla
muestra.

Est
a medi da de la discrepanciat i
ene una di str
ibuci
ón de pr obabil
idad
conocidapar acadapar ámet r
oyv aacompañadadeunapr obabil
idad,ll
amada
niv
el crí
ti
cop, queeslaprobabi l
i
daddeobt enerunr esultadocomoel obteni
doen
l
a muest r
a,o más ext remo,baj o elsupuest o de que l a hipót
esis nula es
verdadera.Noesl apr obabil
idaddequel aH0 seaci ert
asinounapr obabil
idad
condicionada:SiH0fueraciert
a( condici
ón)elnivelpcr í
ti
coindicalaprobabil
idad
deobt enerunv al
ordelest adísti
codecont rastei gualomásext remoqueel
obtenidoefectiv
amenteenl amuest r
a( P(Y≥y i|H0)=p) .

2.
-CONTRASTESSOBRELAMEDI
APOBLACI
ONAL.

a)Cont
rast
esobr
elamedi
apobl
aci
onal
conoci
dal
avar
ianzapobl
aci
onal
.

Elest adí
sti
codecont rast
eeseldel afór
muladelafil
a1yl acolumna1del a
página9delf ormulari
o,quesedi st
ri
buyecomonormalN( 0,1),
siendoYl amedia
obtenidaenl amuest r
a,µo elv al
ordelamedi apoblaci
onalf ormuladoenl a
hi
pót esisnul
a,σY eler
rortípi
codel amediaodesvi
aci
ónt í
picadel adistri
buci
ón
muest raldel amedi a( denominador
),σ ladesvi
aci
ón típicapoblacionalque
suponemosconoci daynelt amañodel amuestr
aqueest amosut il
izandopara

16
cont
rast
arl
ahi
pót
esi
s.

Elestadí
sti
coZcuanti
fi
caladist
anci
adelamedi adelamuest
raalamedia
poblaci
onalenunidadesdelerr
ortípi
co(desv
iaci
óntípi
ca)deladi
str
ibuci
ón
muest r
al.

b)Cont
rast
esobr
elamedi
apobl
aci
onal
desconoci
dal
avar
ianzapobl
aci
onal
.

-Elestadísti
codecontrasteeselcor respondientealafi
la2del acolumna1
delapágina9del f
ormul
ario.
-Sedistri
buyeconarregloalaTdeSt udent,conn-1gradosdel i
ber
tad.
-Elerrortípi
codelamedi aodesv iacióntípicadeladist
ri
buciónmuestralde
l
a media se cal cul
a uti
l
izando la cuasidesviación t
ípi
ca o desvi
aci
ón típi
ca
i
nsesgadadel amuestr
a(denomi nador).

3.
-CONTRASTESOBRELAPROPORCI
ÓNPOBLACI
ONAL.

-Elestadí
sticoecont r
asteeselcorrespondient
ealafi
la3delacolumna1de
l
apági
na9del formul
ario.
-Sedistri
buy enor
mal menteconarregloalanormalN(0,1).
-Elerr
ort í
picodelamedi aodesv i
aci óntí
picadeladist
ri
buci
ónmuest ralde
l
amediasecal culaut
il
izandoladesvi
aciónt í
picadelamuestr
a(denominador).

4.
-CONTRASTEDEHI
PÓTESI
SSOBRELAVARI
ANZAPOBLACI
ONAL.

-Elestadísticodecont r
asteeselcor respondi entealafil
a4del acolumna1
delapágina9del f
ormul ar
io(usandolavar ianzamuest rali
nsesgada, conn-1).
2
-Sedi str
ibuy econar r
egloalaχ ( chi-cuadr ado)conn-1gr adosdel ibertad,
queadi f
erenciadel aN yl aT,noessi mét rica,aunquesít i
enel apropiedad
recí
procaoi nv ersa,demodoque,porej empl o,elv al
ordel adist r
ibuci
ónpar a
0,95esigualal 1/valorpara0,05.
-Paraelcál culodel osinter
valosdeconf i
anzaoer r
ormáximo, cuandon>100
sepuedeut i
l
izarl anormal ,per
oconl afórmul adel af i
la5yl av ari
anzanor mal
(noinsesgada).

5.
-CÁLCULODELAPOTENCI
ADELCONTRASTE.

Lapot enci
adelcont rasteesl aprobabil
idadder echazarunahipót esi
snula
queenr eali
dadesf alsa( i
gualal aprobabil
i
daddeacept arunaH1 verdadera)y
portantoesel compl ement ar
iodel er
rorti
poII(1−β)
, queeslaprobabil
idaddeno
rechazaruna hi pótesis nula que es fal
sa.Elcál culo de l
a potencia de un
contrast
epueder ef
erirseacual qui
erparámetro,per
oaquísól oseexponepar ala
mediayl aproporciónpobl aci
onales.

17
 Par apodercal cularlapotenciadeuncont rastelashipótesisnulayal t
ernativ
a
debensersi mpl es,compar ándoseencadaunadeel lasunúni copar ámet r
o
pobl acional,env ezdeunr angodev alores(porej emplomedi a=7f renteamedi a
=9) .Port ant o,porexcepci ón,sepl anteandoshi pótesi
senl asquef i
guraelsigno
i
gualt antoenl ahi pótesisnulacomoenl aalternati
va.Lapot enciadelcont rast
e
variaráenf uncióndel tamañomuest ral yladistanciaentreelvalordel ahipótesis
nulayl ahipót esisalternati
va.
Par a un mi smo v al
ordeler rort ipo Iydi sti
ntos valores de H1,di chas
variacionesser epresent anmedi antel ascur vasdepot encia,quer epresentanla
potenci adeuncont rast
esegúnl osdi st
int
osv alor
esquepuedat omarH1 yel
tamañodel amuest r
a.
Par a calcularl a pot encia delcont r
aste,una v ezest ableci
do elni v
elde
signifi
cación:

a)Sedeterminaelv al
orcríti
codelestadísti
coquecor respondealni velde
si
gnifi
caci
ónelegido,segúnlafuncióndedistr
ibuci
ónapl i
cable.
b)A continuación,se calculala puntuación tí
pica correspondient
eal a
dif
erenci
aent
redi chov al
orobtenidoyeldelahipótesi
salternativa.
c)Laprobabili
dadasoci adaal apuntuacióntípi
cadedi chadiferenci
aesel
err
ortipoI
Io(β),siendolapotenciadelcontr
astelaprobabili
dadcompl ementari
a
será1−β.

Lodeseableenuncont rast
edehipótesi
sesquel asprobabi
li
dadesdeambos
ti
posdeer r
orfuer
anl omenorposi bl
e.Sinembar go,parauntamañodemuest r
a
prefi
j
ado, di
sminuirlaprobabil
i
daddelerrordetipoI ,
α,conduceaincrementarl
a
probabili
daddelerrordetipoII
,β.Elúni
cor ecur
sopar aaumentarlapotenci
adel
contrasteydisminuirlaprobabil
i
daddeer rordet ipoII
,esaument areltamaño
muest ral
.

6.
-NI
VELCRÍ
TICOpYERRORESENLOSCONTRASTES.

Dependi endodelni v eldesi gni

ficaciónαqueseadopt eapr i
ori,ladecisi
ón
queset omer espectodel aH0puedev ari
ar.Porejempl o,queunahi pótesi
snula
puedar echazarseconunni veldesi gnifi
caciónde0. 05per onode0. 01.Para
evit
arest osinconvenient es,seuti
li
zaeldenomi nadoni velcrí
ticop,quesedef i
ne
comoelni veldesignificaciónmáspequeñoalqueunahi pót
esi snulapuedeser
rechazadaconl amedi dadedi screpanciaobt enida.Esdeci r,elnivelcrí
ti
cop
cuanti
fical apr obabil
idad deobt enerunosdat oscomo l osobt enidosen la
muest r
abaj oel supuest odequel ahi pótesi
snulaesv erdadera.

Aluti
lizarcomocr i
teri
oelnivelcrít
icopnohayqueest abl
ecerpreviament
e
unniv
eldesi gni
fi
caci
ón, y
aquel adecisiónset
omaenf unci
óndel v
alordep.Sip
espequeñoser echazar
áH0, siesgr andeseacept
aráH0ysiestáent ornoaese
val
or,
sev uelveatomarnuev aevidenciamuestr
alyserepi
teelcontr
aste.Elni
vel
18
cr
ít
icopcomocr
it
eri
odedeci
siónt
ambi
éndependedelt
amañodel
amuest
ra
ut
il
izada.

Elni velpcr í
ti
coes“ elniveldesignifi
cacióndelEC” ,esdeci r,l
apr obabili
dad
asoci adaal a(s)cola(s)paraelvalordelEC.Enelcont rasteuni l
ater
alder echo, es
l
apr obabi l
idadquehayal aderechadelEC( coladerecha) .Comol atablanosda
elv alordepr obabil
i
dadquehayal aizquierda,elni velcrít
ico psecal cula
restandode1di chov alor
.Eneluni later
alizqui
erdo,esl apr obabil
i
dadsi t
uadaa
l
ai zqui erdadelEC( colaizqui
erda)yport anto,eselv alorquenosdal at abla.En
l
osbi laterales,comol asdoscol astienenelmi smov alor
,semul t
ipl
icapor2el
valordel acol aderecha.

Comoelni velpcr í
ti
coi nf
ormadel apr obabil
idadasociadaalv al
ormuest r al
obtenido,proporci
onai nf
ormaciónmáspr ecisaqueelECporsísól oyper mite
mat i
zarlasconcl usionesdelest udi
o.Porej empl o,sip=0.
011,nopodr í
amos
rechazarlaH0 paraunni veldesignif
icacióndel0. 01,perosiseprescindieradel
establ
ecimientodeunni veldesi gni
ficaciónpr edet er
minadopodríar echazarse
coneseni velpcrít
ico.
Recapitulaci
ón:Disti
nciónconceptual entrevalorcrít
icoyniv
elcrít
ico.

1º .
-Elv al
orcrít
icoeselv al
ordelestadí
sti
coparaunni veldeconf i
anza
2
determinado.¿Cómosecal cul
a?Sebuscadi r
ect
amenteenl at
ablaZ,T,χ oF
para0.95o0. 99,siescontr
ast
eunil
ater
alo0.975o0.995siesbil
ater
al.Elval
or
crí
ticodeZyTosci l
aentremásymenosi nf
ini
to,
eldechi
-cuadr
adoyFent re0e
i
nfinit
o.

2º
.-Elni
velpcrí
ti
coeselniv
eldesigni
fi
caci
óndelestadí
sti
codecont r
aste,
esdeci
r,l
aprobabi
l
idaddequeelval
ordelavari
ableseaeldelamuestraomás
ext
remo.¿Cómopuedenpregunt
arl
oycómosecal cul
a?Vari
asposi
bil
idades:

a)Sinospidenelv alorpcrítcopar
i aundet erminadovalordel
av ar
iable,hay
quecalcul
arelestadí
sticocorrespondienteybuscarl aprobabil
i
dadasociadaal a
tabl
a.Sielcont
rasteesuni l
ateralderecho,elniv
el pcrí
ti
coes1menosel valorde
l
at abl
a.Siesbi l
ateraleser esultado semul t
ipli
capor2.Y siesuni l
ateral
i
zquier
do,elval
ordel atablaesel nivelpcrít
ico.

b)Sil
opidenpar
aunval
ordelest
adí
sti
codecont
rast
eseaelcal
cul
adou
otr
ohipot
éti
coquenosden,sebuscadi
rect
ament
eenl atabl
ayseprocede
comoena).

c)Sinocoi
nci
deexactamenteelval
ordelECconeldelat abl
a,sebuscanl os
val
oresdelest
adí
sti
comáspr óxi
mosporexcesoypordef ectoyl aprobabil
i
dad
asoci
adaal osmismoscalcul
adaconformea)ob) ,ent
rel oscualesest ar
áel
niv
elpcrít
ico(
nosofr
ecer
áncomor espuest
asvari
asdesi
gualdades).
19
 3º
.-Cont
rast
edehi
pót
esi
sconel
val
orcr
ít
icoyel
niv
elpcr
ít
ico.

Cuant
omásext r
emoeselv al
ordelest
adísti
codecontr
aste,menoressu
ni
velpcrí
ti
co.Port
anto,
lar
egl
adedecisi
ónexpresadaent
érminosequi
val
ent
es
es:

-Si
elECesmásext
remoqueelVC,
ser
echazal
aH0yseacept
aH1.

-Sielnivelp crí
ti
co cor
respondi
ente alEC es menorque elni
velde
si
gnif
icaci
ónα,ser
echazal
aH0yseacept aH1.

20
TEMA3.ANÁLISI
SDEDATOSPARADISEÑOSDEDOSGRUPOS.MUESTRAS
I
NDEPENDIENTES.(
Fór
mul
aspági
na10delcuader
nil
l
o)

1.
-INTRODUCCI
ÓN.

Paramej orarlosr esultadosdel ai nf

erenciaest adí
sticaoelcont r
astede
hipótesi
s,se pr ecisa trabajarcon dos o más muest ras.Las muest ras son
i
ndependi entescuandonoexi st
er el
aciónent r
el ossujetosdeunaydeot ra,l
o
quesegar antizasi l
ossuj etossonasignadosal eatori
ament eacadaunadeel l
as.
Lasmuest r
asest ánr elaci
onadascuando l osmi smossuj et
os( o par
ejasde
sujetosequi paradasenci ertasvari
ablesestudiadas,comogemel os)pasanpor
l
asdi ferent escondi cionesexper i
ment al
es.Sienambasmuest r
ashayelmi smo
númer odesuj etos,eldiseñoesequi l
ibrado.Sihaydi sti
ntonúmer odesujetos,el
diseñoesnoequi l
ibr
ado.Losdi señosconmuest rasrelacionadassólopueden
serequilibrados.

2.
-CONTRASTES DE HI
PÓTESI
S SOBRE DOS MEDI
AS EN MUESTRAS
I
NDEPENDI
ENTES.

a)Var
ianzaspobl
aci
onal
esconoci
das.

Lascondi cionesysupuest osson:Var i

abledependient
econ un nivelde
medi dadei nterval
oor azón,dospobl aci
onesquesedistr
ibuyennormalmente,o
ensudef ecto,muest rasgr andes( n1 ≥30y n2 ≥30)yenamboscasos,con
var
ianzaspobl aci
onalesconoci das.Lasfórmul
asparaelestadíst
icodecont
raste
yeli nter
valodeconf ianzaenest ecasosonl asquef i
guranenl afil
a1del a
página10del formulari
o( di
stri
buciónnormal).

b)Vari
anzas poblaci
onal
es desconoci
das supuest
as i
gual
es
(homocedast
icidad).

Lascondi cionesysupuest ossonlosmi smos,peronoseconocennil af orma

de lasdi stri
buci onespobl acional
esnisusv ari
anzas,per o ést
asúlti
masse
suponeni guales.Lasf órmulasparaelestadíst
icodecont rast
eyeli nt
ervalode
confianza son l as que f i
guran en l
af i
la 2 de la página 10 delformulari
o
(di
stribuciónTdeSt udent,conn1+n2-
2gradosdel i
bert
ad),enl aqueseut i
li
zan
l
osv aloresde l ascuasiv ar
ianzaso vari
anzasi nsesgadasmuest ral
es).Este
contrastedehi pótesi
sseconocecomopr uebaT.

c)Var
ianzaspobl
aci
onal
esdesconoci
dasysupuest
asdi
sti
ntas.

Lascondi
cionesysupuestosson:Var i
abl
edependi
ent
emedidaaniv
elde
i
nterval
ooderazón,dospobl
acionessupuest
ament
edist
ri
bui
dasnor
mal
menteo
21
ensudef ectomuest rasgrandes( n1 ≥30y n2 ≥30) .Lasfórmul
aspar ael
estadíst
icodecontrasteyl
osgr adosdel i
bert
adsonlasquef i
gur
anenlafi
la4de
l
apági na10( Welch,1938)(di
stribuci
ónTdeSt udent,conl osgr
adosdeli
bertad
quer esult
andelaf ór
mula),
enl aqueseut il
i
zanlosvaloresdelascuasi
var
ianzas
ovarianzasinsesgadasmuest r
ales.
3.-CONTRASTE DE HI PÓTESI S SOBRE DOS VARI ANZAS EN MUESTRAS
INDEPENDI ENTES.

Las condiciones ysupuest os son vari

able dependiente con un niv
elde
medida de interval
oor azón ydospobl acionescon v ari
ablesnor malmente
di
stri
buidas,obienn1≥30yn2≥30.Elest adísti
codecont rastesecalculasegún
l
asf ór
mul asdel afil
a5del apágina10delf ormulari
o( dist
ri
buciónFdeFi sher
conn1-1gr adosdel i
bertadenelnumer adoryn2- 1gr adosdel i
bertadenel
denominador).Sihayquecal cul
aral
gúnv al
orquenoapar eceenl atabladeberá
apl
icar
sel apropiedadinv
er sadeladist
ri
bución.

4.
-CONTRASTEDEHI
PÓTESI
SSOBREDOSPROPORCI
ONESENMUESTRAS
I
NDEPENDI
ENTES.

Condicionesysupuest os:Variabledicotómicaodi cotomizada( sólopuede

tomardosv al
ores),dosmuest raspr ocedentesdeobser vaci
onesal eatori
aso
i
ndependi entesymuest r
asgr andes( n1 ≥30y n2 ≥30) .Lasf ór
mul aspar ael
estadí
sti
codecont rast eyeli nterval
odeconf i
anzadedospr oporcionesen
muestrasi ndependient essonl asquef iguranenl afila6del apági na10del
for
mul ar
iosil adiferenciaentrelasdospr oporci
onesesi guala0( propor ci
ones
supuestasi gual
es)yl adel afil
a7siesdi sti
ntade0( distr
ibuciónN( 0,1)),
siendo
l
apr i
mer aunaapl i
caci óndel asegundacuandol asproporcionessoni guales.

5.
-TAMAÑODELEFECTO(
índi
ce“
d”,
est
adí
sti
codeCohen)
.

Lamagni tudot amañodelef ectoesuní ndice( ofami l

i
adeí ndices)quese
apli
cacuandohayi mpli
cadosalmenosdosgr upos, unodet rat
ami entoyot r
ode
controlyadi fer
enciadel oscont rastesclásicosesi ndependientedelt amaño
muest r
al.Lafórmulaqueseut i
li
zaesl adel af i
lanúmer o3del apági na10del
formulari
o(seutil
izanlascuasivarianzasov ariacionestípi
casi nsesgadascomo
esti
mador es)ycomoelnumer adorv aenv alorabsol uto,si
empr et endráunv al
or
posit
ivo(entre0ei nf
ini
to).SegúnCohensidesi gualomay ora0, 8,elefect
oes
grande,siesmenora0, 2,pequeñoymedi anosi r
ondael 0,5.

22
TEMA4.ANÁLI
SISDEDATOSPARADISEÑOSDEDOSGRUPOS.MUESTRAS
RELACI
ONADAS.(
Fór
mulaspági
na11delcuader
nil
l
o)

1.
-CONTRASTES DE HI PÓTESIS SOBRE DOS MEDIAS EN MUESTRAS
RELACIONADAS.(Todos l
os sujet
os pasan por l
as mismas condi
ciones
exper
iment
ales)

a)Var
ianzadel
asdi
fer
enci
asconoci
da.

Lascondi cionesysupuest osson:Var i

abl
edependi ent
econ un nivelde
medi da de int erv
aloor azón,población de dif
erenci
as que se di
stribuye
normal mente,oensudef ecto,muestr
asgr andes(n1 ≥30y n2 ≥30)yvarianza
poblacionaldel asdifer
enciasconocida.Lasf ór
mul asparaelestadí
sti
code
contrasteyeli nterval
odeconf i
anzasonl asquefi
gur anenlafi
la1delapági na
11del formulario(dist
ri
buci
ónnor mal
).

b)Var
ianzadel
asdi
fer
enci
asdesconoci
da.

Lascondi cionesysupuestosson:Var iabl

edependi entecon un nivelde
medida de i nterval
oor azón,población de di fer
encias que se dist
ribuye
normalmente, oensudefecto,muestr
asgr andes( n1≥30yn2≥30)yenambos
casos,conv arianzapobl
aci
onaldel asdi f
erenciasdesconocida.Lasfórmul as
paraelestadí
st i
codecontr
asteyelinterv
alodeconf i
anzasonlasquefiguranen
l
af i
la2del apági na11delfor
mulari
o( di
stri
buciónTdeSt udentconn-1grados
deli
bertad).

3.
-CONTRASTEDEHI
PÓTESI
SSOBREDOSPROPORCI
ONESENMUESTRAS
RELACIONADAS.

Condi cionesysupuest os:Variabledi cotómicaodi cotomizada(sól opuede

tomardos v al
ores),dos muest ras r el
acionadas con b y c obser v aciones
i
ndependi entesdondeb+c>25.Lasf ór mulasparaelest adí
sti
codecont rast eyel
i
ntervalo deconf i
anzasonl asquef iguranenl afi
la3del apágina11del
for
mul ari
o.Ambasf órmulassólot ienenencuent aloscambi osodi f
er encias
entr
eunayot r
acondi ciónexperi
ment al
.Lasegundaseconocecomot estde
McNemarysól osepuedeempl earsi seutil
izauncontrastedehipótesisbi lateral
,
yaquealest arelevadoalcuadradonoi nformadel adi
reccióndel asdifer encias.
2
Porot r
apar t
e,sielvalordeχ esmuypequeño,t ampocot i
enesent i
dor echazar
l
ahipót esisnula.

Resumendet
rucost
emas1-
4:

-Si
pregunt
anporpor
cent
aje,
esuncontr
ast
edepr opor
ciones.
-Si
pregunt
anporundat
oengeneral
,esuncont
rastedemedi as,
sal
voquese
23
i
ndi queotr
acosa.
-Sinosdaneldatodecuasi
vari
anzaovar
ianzainsesgada,hacer
efer
enci
aa
valoresmuestral
es,nodel
apoblaci
ón.Sal
voquesedi gaotracosaosehagal a
prueba F,sepr esumequel asvari
anzaspoblaci
onalesson desconoci
dasy
supuestasdif
erentes.

TEMA5DI
SEÑOSCONMÁSDEDOSGRUPOSI
NDEPENDI
ENTES.

1.
-INTRODUCCI
ÓN.

ElAnálisisdeVar ianza( Analy

sisofVarianceoANOVA oANVAR)esuna
técni
ca par amétr
ica de análisi
sestadí
sti
co que se ut i
li
za par
a compar arl
a
vari
abil
idaddel asmedi asdemásdedosgr uposestudiandolainf
luenciademás
dedosv aloresdel aVIsobr elaVD,conmásposi bil
i
dadesdeest abl
ecerl
a
rel
aciónprecisaentr
eel las.

2.
-CONCEPTOSBÁSI
COSDELANOVA.

Enelmodel omássimple,deunsol
of act
orounifact
ori
al,l
avar
iabi
l
idado
vari
anzagener
alocomúnqueseobser vaentr
elaspuntuaci
onesdel
osgr upos
despuésdehaberint
roduci
docambiosenlaVI,est
áformadapordospar t
eso
componentes:

a)Laquesedebeal osdistintosnivelesdelf act

orestudiadoovar
iabl
e
i
ndependi
ent
e,conoci
dacomov arianzaintergrupos.
b)Laquesedebeal osfactor esextr
añosynocont r
olados,quer
eci
beel
nombredeer
rorexper
imentalovarianzaintr
agr upos.

ElcometidodelANOVA esdiscerni
rquév ari
abil
idadcor respondeacada
parte.En l
at er
minol
ogí
a delANOVA,l as v
ar i
ables independientes que se
estudi
anreci
benelnombredefactoresylascategoríasenquesedi videnlos
factor
es,
eldenivel
es.

Losdiseñosenl osquel osni velesact

úancomounamuest radel osposi
bles
nivelesdelfactorycuyasconcl usionessepuedengeneral
izarparatodosell
os,se
conocecomodeef ectosaleatoriosomodel oal
eator
io.Silasconcl
usionesestán
restri
ngidasal osnivelesestablecidosprevi
amenteeneldi seño,set r
atadeun
diseñodeef ectosomodel osf i
jos.Silosgruposomuest rasti
enenelmi smo
númer odeel ementos, est
aremosant eunmodeloequili
brado;enotrocaso,ante
unmodel onoequi l
i
brado.

3.
-FUNDAMENTOSDELANÁLI
SISDEVARI
ANZA.

Sipar
ahacercompar
aci
onesent
remásdedosmuest
rasut
il
izár
amosl
as
24
pruebasT( temas3y4),ademásdel acompleji
daddeloscál
culosport enerque
analizarl
asdedosendosent odaslascomplicaci
onesposi
bles,tendr
íamosdos
problemas:
a)Sepasar í
aporaltolainter
acci
ónent relasvari
abl
esi ndependient
eso
factores.
b)Aument arí
alapr
obabil
i
daddecomet erelerr
ordeti
poI.

Par
aev i
tarestosproblemasseut il
izaelAnál isi
sdeVar i
anza(ANOVA o
ANVAR)cont rast
andoladifer
enci
ademedi asentrev ar
iasmuest
ras.
Lahipótesisnul
ageneralesquenoexi st
ediferenci
aalgunaentr
elasmedi
as
(enlav
ariabledependi
ente)delosdi
sti
ntosgruposomuest r
as.

Parami ni
mizarl ainfl
uenci adelasv ari
ablesextrañas,conoci
dasonoyev i
tar
sesgossi stemáticosenl osr esult
adosqueseconf undenconl osef ect
osque
pudierandeber seal av ariableindependientesepr ocedeal aal
eatori
zacióndel
muest reot antoenl ael eccióndel ossuj etoscomoenelor dendeasi gnacióna
l
ascondi cionesexper i
ment al
esoni v
eles( contr
abalanceo).Estoreduceaunque
noel i
mi nal aposi bi
li
daddequel asdi f
erenciasobser vadasentrelosnivelesno
seanf rutodelef ectoconj untodel av ar
iableindependienteydef actor
esdeazar
yport anto,per mitesuponerquel oserroresexper i
ment al
essoni ndependient
es
delosef ect osdel osdisti
nt osnivel
esdel osf act
ores.

4.
-ANÁLI
SISDEVARI
ANZADEUNFACTOR(
ANOVAUNI
FACTORI
AL)

Enelmodel omássi mple, deunsól ofactor,l

avariabil
idadsedescomponeen
l
av ari
anzaat r
ibuibleal osdi stintosnivelesdelfactorov arianzai nter
gruposyl a
vari
anzaat ri
buibleal errorov ar i
anzai ntr
agrupos.Elpunt oesenci alesdetermi nar
silav ar
ianza intergrupos ( debi da alf actormani pulado)es si gni
fi
cativa en
rel
aciónconl av ari
anzai ntragrupos( debidaalazar).Elest adíst
icodecont raste
eselcoci enteent reambasv arianzasysedi st
ri
buyeconar regloal aFdeFi sher-
Snedecor.Elcont rasteesuni lateralderecho,porquesól ov al
oresgr andesdeF
permitenat r
ibuirsignif
icaciónest adísti
caal avari
abil
idadobser v
ada, si
endomuy
i
mpr obablequesuv alorseai nferiora1( impli
carí
aquel avar i
anzadeler rorono
expl
icadaesmay orquel aobser v
adaent regrupos).

Lospasospar areali
zarelANOVAson:
1.
-Pr obarl ossupuest osqueper mit
enapl i
carelANOVA:VD cuant itati
va
medida a escal a de inter
valoor azón (no sir
ve sies or di
nalo nomi nal),
i
ndependenci a de l as observaci
ones (testde r achas),normali
dad de l as
di
stri
buciones( pruebasdel abondaddeaj uste,Li
ll
iefor
s,Kolmogorov-
Smir nov,
2
X dePear son),yhomogenei daddel asv ar
ianzas( homocedast
ici
dad,testde
Cochran par a model os equili
brados y testde Bar t
let
tpar a modelos no
equi
li
brados).
2.
-Enunci arlashipótesi
sestadísti
cas.
25
 3.
-Deci di
rel estadíst
icodecont rastequevamosaut i
li
zarparaprobarl
aH0.
4.
-Est abl
ecerel niveldeconf i
anzaol aregi
óncrí
ti
cader echazodelaH0
5.
-Cal cul
arel valordelestadíst
icodecont r
aste(
TabladelANOVA)
6.
-Tomarl adeci si
ónsobr elaH0( comparandoelval
orFobt eni
doconelval
or
cr
ít
ico,contrasteuni l
ater
alderecho) .
7.
-Interpret
aciónenel contextodel ai
nvesti
gaci
ón.

Elmodel oser epresentamedi ant

el aexpr esi
ónYij=µ+αi+εij,enelque
act
úansobr elaVDY, def ormali
neal t
rescomponent es, si
endo:
-Yijescadapunt uacióndel av ar
iabledependientepar acadasujetoycada
ni
vel.
-µesl amedi adelapoblaci
ón( constante).
-αieselnivelcomúnat odoslosel ement ossomet i
dosaeseni vel
delfact
or.
-εijesel
er r
orexperi
ment al
paracadasuj etoycadani v
el.
Lossubí ndicesirepresent
anl osIni v el
esdelf actoryl ossubíndi
cesj,el
númer o ndeel ementososuj etosmedi dosencadani vel
.Elesquemaesel
si
guiente:

26
HIPÓTESI
S Efectosf
ij
os(sobr
elasmediaspobl
aci
onal
es)/
/Ef
ect
osal
eat
ori
os(
sobr
elasv
ari
anzas
cuandoson=0,lasmedi
assonigual
es)
.

EFECTOSFI
JOS EFECTOSALEATORI
OS
H0:
µ1=µ2=µ3=…=µi σ2B=0
H0:
H1:
µ1≠µ2≠µ3≠…≠µial σ2B≠0
H1:
menospar
aunaµi
Cál
cul
osi
mil
ar

TABLAANOVAUNI
FACTORI
AL(
Últ
imocuadr
opági
na12f
ormul
ari
o)

FUENTEDE SUMAS GRADOSDE MEDIAS ESTADÍSTI

CODE
VARIACI
ÓN CUADRÁTI
CAS LI
BERTAD CUADRÁTI
CAS CONTRASTE
ENTRENI
VELES SCINTER I–1 MCINTER
Nºdegr uposo (
SCINTER)/(
I–1) MCINTER
ni
vel
esmenos1 F= -
--
--
--
---
--
-
DENTRODELOS SCINTRA N–I MCINTRA MCINTRA
NI
VELES Nºde (
SCINTRA)/(
N–I)
suj
etos
menosNº
degrupos
TOTAL SCTOTAL N–1 Sedist
ri
buyeFdeFisher
-Snedecorcon
Nºdesujet
os (I–1)y(N–I)gr
adosdeli
bertad.
menos1

CÁLCULOS:
Secumpl
e[SCTOTAL=SCINTER+SCINTRA]yG.l
i
ber
tad:
[N–1=(
I–1)+(
N–I
)]

SCTOTAL=ΣΣY2–{ 2
(ΣΣY)/N}
SCINTRA=SCTOTAL-SCINTER
2 2
SCINTER=Σ(
ΣY) /n–{ (ΣΣY) /N}

DECISIÓN:RechazamosH0 ( i
gualdad demediasenl osdisti
ntosni
vel
es)sielvalordelaF
experi
ment al(
estadíst
icodecont
raste)esmay orqueelv
alorFobteni
doenlastabl
as,
par
aunnivelde
si
gnifi
cación(α)predeter
minado.

ElNumer
adordelestadísti
codecontr
ast
e( MCINTER)conti
enelaVarianzadeer
ror+Efector
ealdela
VI
.ElDenomi
nador(
MCINTRA)c ont
ienel
aVari
anzadeer ror.Port
anto,cuantomenoreselefect
orealde
l
aVImásseacercaelcocienteauno.

Val
orCr
ít
ico:F(I-1)(N-I)(1-α) ZonadeAcept
aci
ón:F<F((I-1)(N-I)(1-α)

Deci
sión:
ZonadeRechazo:F≥F(I-1)(N-I)(1-α) SiF<Fcrítico AceptamosH0
SiF≥Fcrítico RechazamosH0

27
Cálcul
osabreviados(Util
izamoselsist
emadenot aci
ónpropuestoporKeppel
):ElcálculodelasSumas
de cuadrados se r eal
iza sumando y restando l
as r
azones básicas:[Y]( r
elacionada con l
as
puntuaci
onesindivi
duales);[
A]conlostot
alesdelosni
vel
esy[ T]conl
asumat otal
.

Estr
uctur
adecálculodelnumerador
:Seelevanalcuadr
adol
ascanti
dadesi
mpl
i
cadasypost
eri
orment
e
sesuman.
Estr
uctur
adecál cul
odeldenomi nador:Cual
quier
aqueseaelt ér
minosedivi
deporelnúmerode
puntuaci
onesquecontr
ibuyenasucálcul
o.

Fór
mul
aspar
alasr
azonesbási
cas SumasCuadr
adosapar
ti
rder
azonesbási
cas

[T]=T2/(a)(
n) Di
señoequi
l
ibr
ado SCTOTAL=[
Y]–[
T]
2
[T]=T /N Di
señono
2
equi
li
brado SCT=∑∑(
Y–YTOTAL)

A]=∑A2/n
[ Di
señoequi
l
ibr
ado SCA=[
A]–[
T] SCINTERGRUPO
2
SCA=∑n(
YA–YTOTAL)
[
A]=(∑A21/n1)+(
∑A22/n2)+…
(
Diseñono
equi
l
ibrado) SCS|A=[
Y]–[
A] SCINTRAGRUPO

Y]=∑Y2
[ SCS|A=∑∑(–
Y YA)
2

N=Númer
otot
aldeobser
vaci
ones/
/n=Obser
vaci
onesporni
vel

Recapi
tul
ando,enelANOVA uni
fact
ori
al,l
ashi
pót
esi
squesesomet
ena
contr
asteson:

-Enelmodel odeef ectosfijos,lahi pótesi

snul apost ul
al aigualdadde
mediasentr
et odosl osnivelesdelf actormani puladoyl aal t
ernati
va,queal
menosunaesdi fer
ente.
-En elmodel o de efectos aleatori
os,la hipótesi
s nula es que no hay
var
iabi
li
dad(vari
anza)ent
relasmedi as(soniguales)ylaalt
ernati
va,quesílahay
(I
nci
so,l
av ar
ianzasól
opuedeserposi t
iva,
porserunv aloralcuadrado).

Elestadí
stico de contr
aste es elcociente entr
el a medi
a cuadrát
ica
i
ntergr
uposylamedi acuadráti
caintr
agrupos,quesedistri
buy
esegúnunaFde
Fi
sher-
Snedecor,con( I-1)y( N -I)gradosdel iber
tad,enelnumeradory
denominador
,respect
ivamente(pági
na12del for
mulari
o).

En elexamen se suel
en f
aci
l
itarl
osdat
osde l
asmedi
aso l
assumas
28
cuadráti
casnecesar
iospar
acalcul
arlosr
estantesylomási mpor t
ant
eessaber
rel
aci
onar l
asambasmedi ant
elasf ór
mulascor r
espondi
entes(estátodoenel
formular
io,enelexamenhayquet enerpacienci
apar abuscarlosdatosenla
tabl
aquecor r
esponda):

SCtotal=SCInter.+SCintra(SC=sumacuadr áti
ca),midelavari
abili
dadt otalyes
i
gualal asumadet odasl aspuntuacionesmenosl amediatotalalcuadrado.
SCIntermi delav ar
iabilidadentr
elosnivelesov ari
abi
li
daddebidaalef ectodel
fact
oryesi gualal asumadel amediadecadani velmenoslamedi adelf actoral
cuadrado.
SCintra midelav ari
abilidaddentrodecadani velov ar
iabi
l
idaddebi daaler ror
experi
ment alyesl asumadecadapunt uaci
ónmenosl amedi adesuni velal
cuadrado.

Las medias cuadrát

icas se obt
ienen di
vi
diendo l
as respect
ivas sumas
cuadrát
icasporl
osrespecti
vosgradosdeli
bert
ad( MC=SC/g.
l.
).

Par aresolv
erelSudoku,convi
eneempezarporelfi
nal
:Losgradosdeliber
tad
tot
alesdelANOVAesN- 1yapar ti
rdeahísev acomplet
ando.Comoseexpl ica
enelr ecuadro,sinosdanlasrazonesbási
cas(comoensept i
embre) asA2son
,l
l
oscuadr adostotal
esdelassumasdel asA,nol assumasdel asAelevadasal
cuadradoyl asn,elnúmerodesujetosdecadamuestraoniv
el.

5.
-COMPARACI
ONESMÚLTI
PLES(
prev
ior
echazodeH0)
.

ElANOVA, mediantelaobt enci

óndeunar azónFsigni
fi
cati
va,permiteafir
mar
quealmenosent redosmedi ashaydiferenciasquenosondebi dasalazar ,pero
nodicedóndeest áesadi ferenciasignifi
cati
va.Lascompar aci
onesmúl ti
ples
permit
enestablecerunai nf
or maciónmásexact asobrelaimportanciadecada
unodel osni
velesdel avari
abl ei
ndependiente.ComopartedelANOVA, elobjeto
delascompar acionesmúl ti
pl eses,aplicandopruebasespecí f
icas,reducirla
canti
dad deerrorTi po I(α)quecomet erí
amossicompar ásemost odasl as
muestrasdosadosmedi antel apr
uebaT.

Parti
endodelrechazodel ahi
pótesi
snulasisóloint
eresacompararal
gunos
ni
v eles delf act
or el egi
dos de antemano,habl ar
emos de compar aci
ones
plani f
icadasoapr i
ori.Enestoscasos,l
osresul
tadosobtenidosdeFnisiquier
a
suel encitar
se.Perosii nt
eresahacer
lassobretodoslosnivelesdelANOVA,se
tr
at arádecompar acionesnoplani
fi
cadas,apost
erioroposthoc.
i

Una delaspruebasmásut i
li
zadasen est esegundo caso esl
a del as
compar aci
onesmúlt
ipl
esdeScheff
é,queademásdecompar arl
asmedi
asdel os
nivelesdelANOVAdosadosper mitereal
izarcomparacionesmáscompl ej
as
(porejemplolamediadeunni
velconunconj unt
odemedi asdeotr
osni
veles,un
29
conj
unt
odemedi
asdedi
sti
ntosni
vel
esconot
roconj
unt
odemedi
asdeot
ros
ni
vel
es,et
c.)
.

Est
apruebafi
jalatasadeerrordeti
poIenelαalqueest emost rabaj
andoy
obti
eneunv al
orll
amadodi fer
enciamínima,r
angoov al
orcr í
ti
coCR ( Cri
ti
cal
Range)deSchef
féporencimadelcualseconsi
der
aquehaydi ferenci
asentrelas
mediasogruposdemedi asqueest emoscomparando.Lafórmulaest áalfi
nal
delapági
na12del f
ormular
io:

__
___
___
____ __ ____ _ __
___
______
___
__ _
_
2
CRSCHEFFÉ=√(
k-1)F(k-1),glERROR ·√MCERROR[
Σ(cj/nj)
]

Siendo, k=Númer odegr upos;ni=númer odesujetosdecadagr upo;F(k-1),gl

ERROR =Fe xper
imentaldelANOVA;MC ERROR =Medi acuadráticaerroryc2j=
Coef i
ci ente de l as combi naci
ones lineales. Los coeficientes son l as
combi naci oneslineal
esquepodemosest ablecerentr
elasdi stint
asmedi asa
compar ar;elrestodev aloressepuedeobt enerdel atabl
adelANOVA.Encada
combi naci óndecoef icientesci,lasumadel osmi smosesi gualacer o.Un
coef i
cient e ci iguala 0 si gni
fi
ca que ese gr upo queda el iminado de l a
compar ación.Vamosav erunosejemplosdecómosecal culanl oscoefici
entes,
con 5 gr
upos:

Comosev e,lasumadel oscj,

siemprees0.Pr i
merosecal culanloscjdelos
quesecombi nanconj untamenteysel esponeun1consi gnonegat i
vo(enalgún
examensal i
óconcoef i
cient
escomo½) ,conlaponderacióncorrespondi
ente.Es
decirsicompar amosunamedi acontrados,est
asdosúl ti
masdebendi vi
dir
se
por2, ol
oqueesl omismo, laquev asoladebemulti
pli
carsepor2.Enelej emplo
3,lasmedias1y5semul ti
pli
canpor3yl asrest
antes,por2.Comoseel evanal
cuadrado,daigualelsigno+o–quesepongaacadacoef ici
ent
e.

30
 Regl
adedeci
sión:

Sielval
orabsol
utodeladiferenciadel asmedi asdel osgruposcomparados
es may or que elCR,existen di ferencias signi
fi
cati
v as ent
rel os ni
vel
es
consi
deradosynoencasocont r
ario.Elr esul
tadoindicar
áaquégr upoogrupos
corr
espondelavari
abi
li
dadsi
gnificati
v adetectada.

31
 TEMA6.ANÁLI
SISDEDATOSENDI
SEÑOSI
NTRASUJETOS.

Un di seño intrasuj et
os,ANOVA uni factorialint
rasuj etos o de medi das
dependi entes or epet i
dasesaquelenelquesesomet eal osmi smosoalúni co
sujetoex periment alat odosl osni veles( estudiados)delf actor
.Par ami nimizar
(nuncael iminarporcompl eto)elprincipalriesgodeer ror( aprendizaje,
paut asno
detect adas,f ati
ga,et c.),l
asecuenci auor denenquesepr esentanoapl i
canl as
condi cionesal ossuj etosdeber eali
zarsecont r
abalanceando.Si nembar go,est o
sólo es est rict
ament e necesar i
o siut i
l
izamos un di seño en que t odos l os
estímul osdelmi smot iposepr esentanagr upadosenundet erminadoor deno, si
esenor denal eatori
o, sequi er
edescar t
arquehay apat
ronesdepr esentaciónque
hanpasadodesaper cibidos.Fór mulaspági nas12yss.delf ormulari
o,siendol os
valoresdel ossumat or i
osr epresentadosent r
ecor chet
esl asr azonesbási cas.

Condici
onesysupuest os:Lossupuestosquedebencumpl i
rsepar apoder
apli
carcor r
ectamente elANOVA son l os mi smos v i
stos par a elANOVA
i
ntersuj
etos,est
oes,VDmedi da,aunniveldeintervalooder azón, puntuaciones
de la VD en cada ni v
eldelf act
orindependi entes entre síy di stri
buidas
normalmenteyademás,doscondi ci
onespar t
icul
arespar areducireler r
orporl a
i
nteracci
ón:Lasv ari
anzasdel aspuntuacionespar al
osdi st
intosniv el
esdel
fact
ordebenseri gualesentresíylascovarianzasent retodosl osni vel
esdel
fact
ordebenserigualesentr
esí.

Supuestaslahomocedastici
dad (i
gual
dad dev arianzas)yl aigualdad de
correl
aciónent
recadapardet r
atami
entos,lamat r
izdev ari
anzas-
covari
anzas
tendrálapropi
edaddelasimet r
íacompuesta,condi
ciónsuf ici
entepar
ausarel
model operononecesar
ia,si
endo pococomúnenl aprácticayexcesi
v amente
restri
cti
va.

Metodologí
a: Lav ari
abil
idadtotalSCT=SCA+SCS+SCAxS, si
endo:
-SCA,lavar
iabil
idad( var
ianza)delfact
ormani pul σ2A)
ado( .
-SCS,lavar
iabil
idad( var
ianza)delossujetos( σ2S).
-SCAxS,l
avariabil
idad( v
arianza)delainteracciónentr
eelf act
oryl
ossuj
etos
2
(
σAxS,error)
.

Enelmodel oseconsideraquelaf uent

edeler
roreslainter
acci
ónent reel
factoryelsujetoporlai
nconsist
enci
aconquelossujet
ossecompor tanbajolos
diferent
estratamient
os[ (
AxS)->MCSXA oMCe]
.Parareducirsuv ar
ianzayl os
gradosdel i
bertadsedescomponeenuncomponent easociadoalaposi ci
óndel
tratamient
o( SCP),queser educeconelcont r
abal
anceo yunr estor esi
dual
,
desconocidoei rr
educi
ble:

(
SCAXS)=(
SCp)+(
SCresidual)si
endo(
g.l
.AxS)=(
g.l
.p)+(
g.l
.r
esi )
dual

32
 El
est
adí
sti
codecont
rast
eesF=(
MCA/MCSxA)(
Fisher
-Snedecor
).

Lafor
madecálcul
oesmuysimil
araladelt
emaanteri
or,perouti
li
zandol as
fór
mulasdelapági
na13delf
ormul
ari
o(v
arí
anlosg.l
.yportanto,l
asrelaciones
entr
eMCySC) .
TEMA7.DISEÑOSCONMÁSDEDOSGRUPOSI NDEPENDI ENTES.ANÁLI SIS
DE VARIANZA CON DOS FACTORES COMPLETAMENTE ALEATORI ZADOS
(ANOVABIFACTORI
AL).

Enlosdi señosfactori
alessequi er
eestudiarelefectoquesobr eunav ari
abl
e
dependiente ejercen dos f actores o v ari
ables independientes A y B
completament ealeatori
zados,todosel l
osconi gualnúmer odecat egoríasde
modot odosl osnivelesdeunosecombi nanconl osdelot ro.Undiseñofactori
al
consi
steenunconj untodedi señossimplesdeunf actorenelcuall ami sma
var
iabl
ei ndependienteesmani puladaencombi naciónconunasegundav ari
abl
e
i
ndependi ent
e.

Conundi
señof
act
ori
alsepuedenanal
i
zar
:

1)Losef ectospr i
nci esdecadaunadel
pal asVI(factores)sobrel
aVD.Se
consi
derantantosef ectospri
nci
palescomof actoreshayimpl i
cadoseneldiseño
yseanal i
zanmedi anteunANOVA decadaf actorsi
nconsi derarelotr
o.Los
efect
ospr i
ncipalesdeunav ar
iableindependienteo factorser ef
ier
enal os
efect
ospromedi otot al
esdeunav ari
ableyseobt i
enecombi nandoelconjunto
complet
odecomponent esexper
imentalespresentesenesef actor
.

2)Elef ect
oi nt
eracci
ónent r
el osf act es.Exi
or steinter
accióncuandoelefecto
producidoporl osnivel
esdecadaunodel osfactoresdependedel osnivel
esde
otrofactor.Enelmodel oANOVA,l asVIseconsi deranindependi
entesentresí
perolosv alor
esdeunosf act
oresi nf
luy ensobrenlosdeot ros.Portanto,
además
de lai nfl
uencia que cada factorej erce porsepar ado en la VD,existe una
i
nfluencia debida a l a combinación de ambos.Se consi der
a que existe
i
nteracciónencual qui
eradelossi guient escasos:

-Cuandolosef ectossobr elaVDdeunf actorcambiaantediferentesnivel

es
deotro.
-Cuandol ospat ronesdedi ferenci
asasociadosconunf actorcambi ancon
l
osdi f
erent
esnivelesdeot ro.
-Cuandol osef ectossimplesdeunf actornosonl osmismosent odoslos
ni
velesdeotro.
-Cuandol osef ectosprinci
palesdeunf actornosonr epresentati
vosdel os
ef
ectossimplesdeesemi smof actor.
-Cuandol asdi fer
enciasent r
el asmediasdel asceldasquer epresentanel
ef
ecto de un f actoren al gún ni veldelotrof act
orno son i guales a las
33
cor
respondi
entesdif
erenci
asenotr
oniveldeest
efactor.
-Cuandolosefectosdeunfact
orestáncondi
cional
menterel
acionadosalos
ni
velesdeotr
o.
-Cuandounfactornoti
eneunefect
oconstant
eent odosl
osnivelesdeot
ro.

3)Losefect
ossi
mples,omásf zadosdecadaf
ocal
i actorconcadani
veldel
ot
rofactor
.Sepuedenconsider
artant
osefect
ossimplescomol asumade
ni
vel
esdecadafact
or.

Procedimiento:Apar t
irdelatabladelANOVAf actori
alsereali
zal aprueba
ómnibus( efectosprinci
palesyefectointeracción).Sielefectointeracci
ónes
si
gnifi
cati
voseconcl uyequeelef ectoproduci doporl osnivel
esdeunf actor
dependedel osni v
elesdeot r
ofactoryrechazar emosH0. SiFnoessi gnifi
cati
va,
seacept aH0,seconsi deraquenoexi st
eef ect
oi nt
eracci
ónyelmodel ose
convi
erteenf actori
aladit
ivo(nor
mal )
,demodoqueenelcuadr odelANOVAl a
fi
ladelainteracci
ónsesumaal er
roryser ecalculaF.

Sielef
ect ointeracciónessi gni
fi
cati
vo,sereali
zalapr uebadelosef
ect
os
simplesycompar aci ónporpar esydespuésl adel osef ect
ospri
nci
pal
esen
funci
óndel osefectossi mples.Sinoessignif
icat
ivo,sereali
zalapr
uebadel
os
efect
osprincipal
esysial gunoessi gni
fi
cati
vo,sepr ocedealestudi
odelas
comparaci
onesmúl t
iples.

Model
oest
adí
sti
codeANOVAconi
nter
acci
ón:
Y=µ+α+β+(
αβ)+ε.

Cualquierpunt
uaci
ónYt i
ene5component es:Lamediatotaldelapoblación,
l
osni v
elesdel osdosfactor
es,comúnat odosloscomponentesadscrit
osaesos
ni
veles(promediosdel osefect
osdeltr
atamientoenlosniv
elesdel osfact
ores),
elef
ectointeracci
ónentreambosyel er
rorexperi
mentalnocontrol
able.

Model
oest
adí
sti
codeANOVAsi
nint
eracci
ón:
Y=µ+α+β+ε.

Cualqui
er punt
uaci
ón Y t
iene l
os mi
smos component
es,except
o l
a
i
nteracci
ón.

Alconsiderarlaint
eracción,l
aSCintra dismi
nuy
eenl acuantí
aquer ecogela
SCAxB delainteracci
ón,asícomol osgr adosdelibertad,demodoquel aF
resul
tant
eser ámay orporladi sminuci
óndel aMCerrory
,enconsecuencia,más
preci
soelcontrastedehipótesis.

Lashi
pót
esi
sest
adí
sti
cassepuedenexpr
esardel
asi
gui
ent
efor
ma:

Ef
ect
ospr
inci
pal
esf
act
orA:H0:
Todosl
osαi=0;
H1:
Not
odosl
osαi=0.
Ef
ect
ospr
inci
pal
esf
act
orB:
H0:Todosl
osβi=0;
H1:
Not
odosl
osβi=0.
34
 Ef
ect
oint
eracci
ónAxB:
H0:
Todosl
osαβij=0;
H1:
Not
odosl
osαβij=0.

Losestadísti
cosdecont
rast
esonl asrazonesentr
elasmediascuadr
áti
cas
cor
respondientesyl
amediacuadrát
icai
ntr
agr upos,
quesedi
str
ibuy
esegúnF.

Lasf órmul aspar aloscálculosdelANOVAest ánenl aspáginas14y15del

formulario,consi derando sólo diseñosequi li
brados.Elpat r
ón deanál i
sises
análogoal osdel osot rosmodel os, incl
uy endodosf actor
es, l
aint
eracciónentre
ambosyaj ustandol osgradosdel ibertad.LaSCintra sedivideasuv ezent res
component es:
-Ent retratami entosdelfactorA( SCA),quer ef
lej
al osefectosprinci
palesdel
factorA.
-Ent ret r
atami entosdelfactorB( SCB),quer ef
lej
al osefectosprinci
palesdel
factorB.
-Lai nteracci
ónent reAyB( SCAxB).
Acont inuaciónsepr esentaunej empl odelmodel ocon2f actores,zonay
duración,asícomol asecuenciadeanál i
sisf actori
al:

35
Fi
gur
a7.
5Secuenci
adeanál
i
sisenundi
señof
act
ori
al

36
TEMA8.
-ANÁLI
SISDEREGRESI
ÓNLI
NEALSI
MPLEYMÚLTI
PLE.

1.
-INTRODUCCI
ÓN.

Elanálisisder egr esiónesundi seño expostf acto quepuedeserusado

siempr equeunav ari
abl ecuant i
tati
vapuedaserest udiadacomounaf unciónde
una( ARS,anál i
sisder egresiónsi mple)ov ar
iasvariabl
es( ARM,análisi sde
regresiónmúl ti
ple)
.Lasr el
acionesent relaVDyl aVIpuedensermuydi v ersas:
l
ineal,exponenci al
,logar í
tmica,etc.Enest etemasóloseest udialaregr esi
ón
l
ineal.Elanál i
sisder egr esióntambi énsepuedeapl i
carasi tuaci
onesenl asque
se mani pulen condi ciones exper imentales,de modo que “ casicual quier
i
nf ormaciónquet engai nt
eréspar aelest udi
odel aVD puedeserobj etode
i
ncor poraciónenest et ipodeanál i
si
s”.

Unabaj a corr
elaciónent r
ev ari
abl
esimplicaquenohayr el
aci
ónl i
nealentr
e
ell
as, per
onodescar t
aquepudi erahaberl
adeot rot
ipo(exponenci
al,l
ogarí
tmica,
etc.).Unaal t
acor relaciónl i
nealoi mpli
canecesar i
amentequehay arelaci
ón
causalent reellas,puespodr íaocurri
rqueambasf ueranafect
adasporuna
vari
abl eajenaalmodel o,porejemplo,C.I
.yal t
urat
ienenaltacorr
elaci
ónenl os
niñosper oambasest ánr el
aci
onadasconl aedad.

2.
-ANÁLI
SISDEREGRESI
ÓN(
LINEAL)SI
MPLE.

Cuando una v ar
iable,independi
ente(VI)
,aport
ai nformaci
ón sobre ot
ra,
dependient
e( VD),decimosqueambasest áncor
rel
acionadas.Elobjet
odel a
corr
elaciónesanal i
zarelgr adodeasoci aci
ónentrelasv ari
abl
esyeldel a
regr
esión,efect
uarpr edicci
onesacercadel osval
oresdel aVD paravalor
es
dadosdel aVI.LaVIser epresentaporX,l
aVDporYyl osv al
oresest
imadospor
Y’.

I
maginemosqueenunagr áfi
caserepr esentanlospunt os(nubedepuntos)
queindi
canl osv alor
esdeX eY.Lar egresi
ónl i
nealser eal
izamedianteel
métododel osmí nimoscuadr adosajustandoadi chosdat osunalí
nearect
aque
mini
micel oscuadr adosdel asdifer
enciasent r
el osv al
oresreal
esdeYpar aun
val
orcualquieradeXyl osv al
oresesti
madosdeY( Y’)queresul
tar
íandeapli
car
l
aecuaciónder egresiónresult
ante.
Ej
empl osderegr esi
ónlinealyexponencial:

37
 El
model
oser
epr
esent
a:

a)Par
apunt
uaci
onesdi
rect
as:
Y’=BX+B0,
siendo:

-Y’elval
orest i
madodeY,
-B l a pendiente de lar ecta de regr
esi
ón (coefi
ciente de r egresi
ón)y
representaelaument odev al
orqueexper i
mentaYcuandoXaument aenuna
unidad;
-B0,eli
nterceptoov alordelaordenadaenelorigen(v alorpronosticadodeY
cuandoX es0) .Eli nter
cepto,ali gualquelosdemásv al
oresdeY’quese
encuent r
enf ueradelr angodev al
oresdel aVI,noesobj etodei nterpret
aci
ón,
salvoqueel valor0seencuent redent r
odel r
angodev al
oresdel aVI .

b)Par a puntuaciones di
fer
enci
ales (dif
erenci
as entr
elas punt
uaci
ones
di
rectasyl amedi a):Y’=B(
X-)
X.Laor denadaenelor igenpar
apuntuaci
ones
di
ferenci
alesval
e0.

c)Par
apunt
uaci
onest
ípi
cas:
Z’=rZ.Y XY X

Lasdiferenci
asent
relosval
oresdel avar
iabl
eobservadosylosesti
mados
sonloser r
oresdeesti
maciónopredicci
ón.Lasumadel amediadelosv al
ores
pronost
icadosesigual
alasumadel amediadelosval
oresobser
vados.

Enconsecuenciaelmodel oderegresi
ónlinealesY’=BX+B0+ε endoεel
,si
errordeest i
maciónolosr esiduosunav ezesti
madoelv alordelaVD.Par aque
sean v áli
das l
as inf
erencias sobrela VD se deben cumpl irlas sigui
entes
condicionesysupuest osbási cos(sucompr obaciónrequier
equehay av ar
ias
muest rasqueper mit
anest udiarl
adistri
buci
óndel osdisti
ntosv al
oresdeY
predichosparacadavalordeX) :

-Independenci
adel asobservaci
ones(muestraselecci
onadaal
eatori
amente)
.
- Homocedasti
cidad,var
ianzasdelasdi
str
ibucionesdeloserr
oresigual
es.
38
 - Nor
mal i
daddelasdi
str
ibuci
onescondi
cionadas.
-Independenci
aentrelosv al
oresesti
madosyl oser
ror
esdeest
imaci
ón.
Expr
esadoent ér
minosdecoef
ici
ent
edecorr
elaci
óndePear
son,r’
ε=0,est
o Y

es,l
oserr
oressedist
ri
buy
endemaneraal
eat
ori
a,si
ncor
rel
aci
ónconlaVD.

3.
-BONDADDEAJUSTEDELARECTADEREGRESI
ÓN.

Laexpr esi ónbondaddeaj ust

e,serefi
ereacómode“ expli
cat
iva”eslar ect
a
respect odel osdat ossobr el
osquesehaaj ustado.LavarianzadelaVD( tant
o
paraARScomopar aARM)sepuededescomponerenl asumadedosv ar
ianzas:
2 2 2
l
adel ospr onóst i
cosyl adel oserror
esor esiduos:SY =SY’+Sε,esdeci r
SCtotal=SCregresión+SCresidual.

Elgradodeasoci aciónent r
el asvariabl
esseexpr esamedi anteelcoefi
cient
e
de cor r
elación de Pear son,cuy ov alorest á si
empr e compr endi
do entr
e- 1
(relaciónlinealnegativ
a)y1( r
elaci
ónl i
nealpositiv
a),indicandoel0quenohay
relaciónl i
nealentrelasv ar
iabl
es( podríahaber l
adeot r
ot ipo,noobst ant
e).Su
fórmul a(pági na15)es:
Rxy=Sxy
SxSy
2 2
Elcuadrado delcoefi
cient
edecor r
elaci
ónr xy o R e selcoeficientede
determinaci
ón( v
alorcomprendi
doentre0y1)yexpr esalaproporcióndel a
vari
anzadel aVDexpl i
cadaporlavari
anzadel aVIyl apr opor
ciónenquese
reduceelerrordelaVDcuandoempleamosl arectader egresi
ónparaest i
mar l
a.
Elvalorabsolut
odelcoefi
cient
ededet erminaciónesmenorqueelcor relaci
ón,
salvocuandores0o+/ -1,quecoi
nci
den.
2
Elcompl ementari
odelcoef i
cient
ededet erminaci
ón1-r xy eselcoefi
ciente
dealienaci
ónyesl apar
teresidualdelav ar
iabi
li
daddelaVD,at ri
bui
bleaot ros
fact
oresnor el
aci
onadosl i
nealmenteconl aVD,esdeci r
,lapr oporci
óndel a
vari
anzadel aVDnoexpl icadaporl avar
ianzadel aVIoloqueesl omismo,l a
vari
anzadeler r
or.

Ot
roindicadordelajust
eeselerr
ortí
pico,queesunest
imadorinsesgadode
l
a desvi
ación tí
pica delerror
.Su f
órmula esla úl
ti
ma dela página 15 del
f
ormular
io.

4.
-INFERENCI
ASSOBRECORRELACI
ÓNYREGRESI
ÓN.

Normalment
el oscoef
ici
entesdecorr
elaci
ónyregresi
óndelapoblaci
ónson
desconoci
dos. Los supuestos bási
cos y condici
ones par
a poder hacer
i
nferenci
asdelosdatosmuest ral
esalosdelconj
untodel apobl
aciónsonlos
39
vi
stosant es(independencia de l
asobservaci
ones,homocedast
ici
dad de l
as
var
ianzas,normalidaddel asdistr
ibuci
oneseindependenci
aentrelosval
ores
est
imadosyl oserroresdeestimaci
ón).

-Contr
ast esobreelcoef i
cientedecorrelaci
óndePearson.Lahipótesi
snula
esquenohayr elaci
ónentreVIyVD( coef
icientedecor
rel
aciónpoblaci
onaligual
acero),mientrasquel ahipótesisal
ter
nati
v apostul
aquelar el
aci
ónl i
nealentr
e
ambasessi gnif
icat
iva:H0:ρ=0.H1:ρ<>0( ρeslalet
ragr i
egaro).Haydos
for
masder eal
izarl
o:

-Conelest adíst
icodelaf
il
a1col
umna1delatabl
a1delapági
na16del
f
ormular
io,quesedi st
ri
buy
ecomounaTdeSt
udentconn-
2gr
adosdeli
ber
tad
(
cont
rastebil
ater
al).

-Medi ant
eelANOVAdel ar
egresi
ón, conlar azónF=MCregresión/
MCresiduos,que
sedistri
buyesegúnunaFdeSnedecorcon1yn- 2gradosdel iber tad(cont r
aste
unil
ater
alderecho)
,for
mulari
o,tabl
a2, página16, gradosdeli
ber tadtot
al esdel a
regr
esión n-1.Se usa cuando nos dan l os datos de l
as sumas o medi as
cuadráti
cas.

-Hayunar
el ónT2=F,
aci vieneenel
for
mul
ari
o.

-Cont r
astepar aloscoefi
cientesder egr esiónByB0 ( ANOVA).Lahipótesi
s
nulayl aalternati
vasonH0:B=0;H1:B≠0sielcont r
asteesbi l
ater
al.Sies
unil
ateral
,l
aH0ser áB≤oB≥queelv alorfor muladopar alaH0.Losest adí
sti
cos
seincluyenenl asfi
las2y3del aprimerat abl adelapági na16delformular
io(T
deStudentconn- 2gr adosdel
ibertad),
cont rastebilater
al.
Hayquet enercuidadoconl asfórmulas“ ocult
as”delf or
mulari
o,porsienel
examenpusi eranunat abl
adedat osparalar egresión(pocof r
ecuent
e,peropor
siacaso):

S2Y.Enl
-SCtotal=n· acal culador aCasi o, enmodor egr esión,hayqueut ilzarσ2y.
i
Estafórmul anov ieneenni ngunapar t
eyhancaí dopr obl
emasenex ámenes
2
anti
guosenl osquedabanl av ar ianzat otaldeY( SY)per onol aSCtotal.
-SCtotal=SCregresión+SCresidual.Sededucedel cuadrodel ANOVAdel aregresi
ón
enlapági na16delf or mular io.Apar ecedef ormaexpl íci
taysepar adaenel
cuadrodel aARM.Despej ando, SCresidual=SCtotal-SCregresión
2 2
-r=SCregresión/ SCtotal.Despej ando, SCregresión=r ·SCtotal.

Lacal cul
adoraCasiopr opor
cionaB( b),B0 (a)yr,sinosdier
anlat abl
ade
datos.Sidanl ossumat ori
os,hayqueut i
lizarlasfórmulasdelapágina15del
for
mul ar
io,conelcui dadodequel abet asenl asqueseusanpunt uaci
ones
tí
picasnohacenr ef
erencianoalosv al
oresdel osparámetrospobl
aci
onales

40
 5.
-ANÁLI
SISDEREGRESI
ÓNMÚLTI
PLE.(
Fór
mul
as,
pági
na17del
for
mul
ari
o).

a)Regr
esi
óncondosv
ari
abl
esi
ndependi
ent
es.

Mi ent
rasqueelARSpr oducelalínearect
aquer elaci
onal aVD(Y)conlaVI
(X)
,elARM condosv ar
iablesi
ndependient
esproduceunpl anoderegresi
ónque
rel
acionalaVD( Y)conl osval
oresdel asdosVI( X1 yX2)(paramásdedosVI
serí
aunhi per
plano)
.

El
model
odeest
imaci
ónl
i
neal
múl
ti
plees:
Y’=B1X1+B2X2+B0+ε

Donde B1 y B2 son los coefi

cientes de r
egr esi
ón parcialde X1 y X2,
respectivament
e,B0,eselinter
ceptoov al
ordel aor denadaenelor igen(val
or
pronost i
cadodeYcuandoX1 yX2 v alen0,quenosei nterpr
etacuandoel0no
estáenel r
angodelosvalor
esdelaVD)yε, eler
rordeest imaciónoresiduosuna
vezest i
madal aVD.Lo señalado par aARS esv áli
do paraelARM,conl as
diferenci
asqueseseñal anacont i
nuación.Lasf órmulasest ánenl apr i
mera
tabladel apági
na17del f
ormulari
o.

b)Aj
ust
edel
model
o.Medi
dasdeasoci
aci
ón.

Elcoefici
ent
edecor r
elaci
ónmúltipl
eReselcoef i
cient equecor r
elacionala
VD conunacombi naci ónópt i
madedosomásv ar
iablesi ndependientes.Su
2
cuadr adoeselcoef icientededet erminaciónR,queexpl icaelpor centajede
variabil
idaddelaVIat r
ibuiblealaacciónconjunt
adel asVD.Comoocur reconla
2 2
varianzamuest r
alR noesunest i
madori nsesgadodeρ,por quecuant omás
pequeñaseal amuest ra,may orser
ál acontri
bucióndel av ari
acióndel aVIal a
2
del aVD.Elest imadori nsesgado deρ eselcoef i
cient ededet ermi naci
ón
ajustado, (
2ªfór
muladel a2ªtablapág.17del f
ormulari
o).

c)Cor
rel
aci
ónbi
var
iadaycor
rel
aci
ónsemi
par
cial
.

Sicalculamospar acadaVIsucor relaciónconl aVDsegúnl ast écni

casdel
ARS, obt endremosl oscorr
espondientescoef i
cientesdecor r
elación,quese
l
lamancor relacionesdosados,bi v
ar i
adasodeor dencer o.Conl acalcul
adora
Casio,sidi
erant ablasdeval
ores,
sepuedehacermet iendoenl atablalosval
ores
deYyl osvaloresdeX1,calcul
arB1yr 1yl uegosustit
uirlosdeX1porl osdeX2y
cal
cularB2yX2.

Sinembargo,estascorrel
acionessól
oof r
ecenunai ndi
caciónaparent
edel
i
nfl
ujodecadaVIenlaVDynosonpur aspuesnorefl
ejanlaverdader
ainfl
uenci
a
decadaVIai sl
adamenteconsi der
adasenl aV,alno t enerencuent anila
i
nfl
uenci
aentrelasdist
int
asVI ,nisuinf
luenci
aconjunt
aenl aVD.Poresol a
41
sumadel oscoef
ici
ent
esdecorrel
aci
ónbi
var
iadosser
ási
empr
emay
orqueel
coef
ici
ent
edecorrel
aci
ónmúl
ti
ple.

Par asaberquépar tedel aVDesexpl icadaexcl usiv

ament eporunaVI ,es
necesar i
oel i
minareli nf
luj
oquesobr ecadaVIt i
enenelr estodel asVI ’
s.La
correlaci
ónsemi parcialmidelasrelacionesent r
eunaVIyl aVDalmar gendel
i
nflujoquel asdemásVIdelmodel opuedant enersobredi chaVI.Sitenemosdos
vari
abl es i
ndependientes o predi
ctoras,en la correlaci
ón semi parci
alsr 1 se
eli
mi nalainfl
uenciadeX2 enX1;anál ogament eensr 2s eeliminalainfl
uenciade
X1enX2.

Elcálculodeloscoeficientesdecorrel
aci
ónsemiparcial (
sr1ys r
2)ser eal
i
zaa
partirdel oscoefici
entesdecor r
elaci
óndeor dencero(fórmul as,penúl
t i
maf il
a
de l a página 17 delcuader ni
ll
o).Los cuadrados correspondientes son los
coef i
cientes de determinación semiparci
al,que expresan l a proporción de
varianzadel aVIatri
buibleacadaVD,el i
minandoelinflujodel asdemásVIen
dichaVI .

Par
aent
ender
lomej
or,
veamosundi
agramadeVenn:
Y

a c
b

X1 X2

Eldiagramar epresent al av ari

abil
idadt otaldeY,l adeX1 yl adeX2.La
2
var
iabi
li
dadconj unta( R)deY at r
ibuibl
eaX1 yX2 esa+b+c.Lav ari
abil
i
dad
atr
ibui
bleaX1yX2( coeficientesdedet er
mi naciónbiv ar
iadosoaparentes)serían
a+b yb+c,r espectivament e.La v ari
abil
idad r esi
dualesd.Como v emos,si
sumamossi nmásl asv ariabil
i
dadesdecadaVI ,sumamosdosv ecesb.La
var
iabi
li
dadat r
ibui
bledef ormaexcl usivaaX1yX2( coefici
entesdedeterminación
2 2
semiparci
alsr1 ys r
2 )e sayc,r espectivament e,siendobl aproporciónde
var
ianzaconjunta.Comov emos,lasumadel oscoef i
cient
esdedet erminación
2
semiparci
alesesinferioral av ari
abil
idadconj untaR, yaquedejafueralacomún
42
deambasv
ari
abl
esi
ndependi
ent
es(
b).

La asi gnación de una par t

e de (b)a cada VI ,est o es,l a cont r
ibución
especí fi
cadecadav ari
ableenlav ari
abil
i
dadconj untadepender ádesuor dende
entrada.Par adet erminaresteordenhayv ari
osmét odos:Forwar d( haciaadelante)
yBackwar d(hacia atrás).Elmás usado es uno de l os pr imer os l
lamado
(stepwi seost epbyst ep)enelque,par ti
endodel ascor r
elacionessemi parcial
es
entrel as di st
intas vari
ables,se seleccionan poror den de may ora menor
correlación,secal cul
alaecuaciónder egresiónysev anintroduciendol asdemás
variables una poruna hast a que elaument o en elpor cent aje de varianza
propor cionadoporl aVIcor r
espondienteenlaVDnoseasi gnificativo.

Loscontr
astesconest
oscoefici
ent
esconsist
enencomprobarsilavari
aci
ón
expl
icadaporlavari
abl
eov ar
iabl
esintr
oduci
dasessigni
fi
cati
varespectodela
vari
anzaal
eator
iaoresi
dual
.Lasfórmul
asestánenlapági
na17del f
ormulari
o.

d)Cor
rel
aci
ónpar
cial
.

Ent odomodeloder egresi

ónexisteunapar t
edev ar
ianzadel aVD(cri
teri
o)
quenopuedeserexpl icadaporl asVI( predict
ores).Lacor r
el aci
ónsemiparci
al
permi t
e est
udiarla contri
bución de las disti
ntas VIa l a VD,el i
minando la
i
nfluenciaquesobrecadaVIej ercenlasdemásVI .Lacorrelaciónparci
alvaun
pasomásal l
á,el
iminandoademásl ai nf
luenciadecual quierv ari
abl
eespúreao
extrañaalmodelosobret odaslasvari
ables,tantolaVDcomol asVI.

Medi ant
eelestudiodel acor
rel
aci
ónentr
elosr esi
duos,esdeci
r,lav ar
ianza
noexpl i
cadaporlacorrel
aciónentr
eYyX2porunl adoyporl acorr
elaciónentre
X1 yX2 porotro,lacor r
elaci
ónparci
alseeli
mi naelefectodecual quierotra
var
iable,conocida o no,entrela VIconsi
derada yl a VD.En definiti
va,la
corr
elaciónpar
cialmidelacorrel
aci
ónpuradedosv ari
abl
eselimi
nandoeli nfl
ujo
decualquierot
ratantoenlaVIcomoenl aVD.
2 2
Elcuadradodeloscoef i
cientesdecorrel
aciónpar alpr
ci 1 ypr2 (coefici
ent
es
dedeterminaciónparci
al)sei nt
erpr
etacomol apropor
cióndel av arianzadela
VD no asoci ada a X2 que síest á asoci ada a X1 (yv i
cev ersa) y l
os
2
complement ar
ios1-
pr ,r
epresentanloscoefi
cientesdeal
ienaciónpar cial
.

Lasf
órmul
asestánenl
aspági
nas17y18del
cuader
nil
l
o.Vol
vi
endoal
di
agramadeVenn:

43
 d

a c
b

X1 X2
2 2
pr
1 =a/(a+d)ypr
2 =c/(c+d)

Enconclusión,mientr
asl acorr
elaciónsemi par
cialsesi t
úaenelcont exto
excl
usi
v odelARM, tr
atandodeexpli
carl acontri
buci
óni ndependientedecadaVI
alaVD,l acorr
elaci
ónparcialponeelacent oenlaeli
mi naci
óndel osef
ectosde
cual
quiervari
ableextr
añaydel ascorrelaci
onesespúreaspr oducidasportales
vari
abl
esextrañasalmodelo.

RESUMENDETEORÍ
ADEARSYARM:

-Elanál i
sisdel osdiseñosexpostf actotrat
adedet erminarcómo un
conj
unto dev ariabl
es,quellamamosf act
ores,i
ndependient
es,pr edi
ctor
aso
expl
icati
vas,puedenexpli
carelcomport
amientodelavari
ableobjetodeestudi
o,
quellamamosdependi ent
eocr i
ter
io.

-Elmodel
oder egresi
ónli
nealest
imaelvalordel
aVD, mediant
eunafunci
ón
l
inealdeunaov ar
iasVI( Regr
esi
ónLinealSi
mpl eyMúlt
ipl
e,r
especti
vament
e).El
coefi
cient
edecor relaci
óndePear son(múlt
iple)mi
deelgr adodeasociaci
ón
entr
elaVDyla(s)VIyosci l
aentr
e-1y1.

-Elcoef icientededet ermi nacióneselest adísti

coquecuant if
icalabondad
delajusteeselcuadr adodelcoef icientedecor rel
acióndePear son( múlti
ple)
.Su
val
orosci l
aent re0y1ei nfor madel aproporciónenquel av ariacióndel aolas
VI’
sexpl i
canl adel aVDydel apropor ci
ónenqueser educeeler r
oralest i
marla
VD.Lapar tenoexpl icadaporelmodel oder egresión(error)esaquel laqueno
estár el
acionadal inealment econl aVDyesel coefici
entedeal ienaci ón.
-Elcont rast edel asignificacióndelcoef icient
ededet erminaci ónR2,sehace
medi anteelcoci enteent rel amedi ascuadr áti
casdel ar egresiónydeler r
or,
tomadodel at abladelANOVA( Fcont rast
euni later
alder echo)omedi anteel
estadísti
coT( contrastebil
at eral).
44
 -Rexpr
esal
acor
rel
aci
ónent
rel
aVD(
Y)yl
amej
orf
unci
ónl
i
nealdel
asVI
’
s
(
Xi’
s).

-R2,eslapr
oporci
óndevar
ianzadeVDasoci adaalacombinaci
ónli
nealde
l
asVI ’
syt ambiénexpr
esal
areducciónproporci
onaldeler
rori
nici
aldelaVD
cuandoseajust
aunmodelodeesti
maciónconlasVI’
s.

-sr
i,
coef
ici
ent
edecor
rel
aci
ónsemi
par
cial
,expr
esal
acorr
elaci
ónent
reYyXi,
cuandodeestaúl
ti
masehaextraí
dol
aquemant i
eneconelr
estodelasVIdel
modelo.
2
-sri,coefi
cient
ededet er
minaciónsemipar
cialexpresal
apropor
ciónde
v
ar i
anzadeYasoci adaúni
camentelavari
anzadeXi,asícomoeli
ncr
ementoen
2
R cuandol
av ari
ableXient
raenelmodelo.

-pr,coef
i i
cient
edecorrel
aciónparcialexpr
esalacorr
elaci
ón“
pura”entr
eYy
Xi,el
i
mi nandolainfl
uenci
adecual quierotravar
iabl
e,estéonoenelmodel o.
Tambiénexpr esalarel
aci
ónent r
el apar t
edeYyl apartedeXiquenoest án
asoci
adasl i
nealment
econelrestodepr edi
ctor
as(var
iabi
li
dadent
rer
esiduos).
2
-pri,coef
ici
ent
ededeter
minaciónparci
alexpr
esal
apr
opor
cióndevar
ianza
deYnoasoci adaalr
est
odev ar
iabl
es,esténonoenelmodelo,quesíestá
asoci
adaconXi.

45
 ADENDA:
PERLI
TASQUEHAYQUETENERENCUENTAPARANOFALLAREN
TONTERÍ
AS:

1.-Hayquel eerei nter pr etarbi enl osenunci ados.Sipi dencont rast essobr e
varianzas o sobr e pr opor ciones l o di r
án expr esament e o en elcaso de
propor ci ones,habl ando de por cent ajes o en elcaso de l as v ar i
anzas,de
variabilidades.Ent odosl osdemáscasos,si empr eesuncont r astedemedi as
(i
ncl usosihabl andepr opor ciónmedi aof recuenci adeaci ertos,elcont r ast ees
demedi as, sal voqueser ef i
er aapor cent aje, frecuenci aopr opor cióndesuj etos) .
Hayque f ij
ar se bi en siesbi later al( H0 esque no haydi fer enci as,H1,hay
diferenci as)ouni later al( der echo,H0 menoroi gual ,H1,may orque;i zquier do,HO
may oroi gual ,H1,menorque) .Cui dadoconf ij
arbi enn,cui dadocuandoden
muchosdat ospor queav ecesnospr egunt ansól osobr eunapar te.Cui dadocon
cadapr egunt a,not odassonsobr el omi smo.Enl asituaci ón1onor malesque
pregunt en pormedi as,pr opor ci ones yv arianzas.Sihaydos muest ras con
diferent enúmer odesuj et os,soni ndependi ent es.Sól osonr elaci onadassil os
mi smossuj et os( or elacionadosporpar es,i .
e.gemel os)sonsomet idosat odos
l
osdi stint osni velesdel fact or .
Sino sabemossegur al ar espuest a de pr imer ase i ncluso en t alcaso,
conv ienedescar tarl asqueseani mposi bles.Elv alorcr íticosebuscaenl at abla
par a1- αo1- α/ 2.
Par a ev itarer ror eso det ect arlos,conv ieneescr i
bi rdepuño yl et ra,con
claridad,t odosl osdat os,enl ugarsepar adoydest acadodedondehacemosl as
oper aciones.Par al acal cul ador a,conv i
eneescr ibirlasf órmul ast alv i
enenenel
formul ar io,si n si mpl ifi
caci ones que nos puedan i nduci ra er ror,con l os
par éntesi sensusi tio( est oesv i
t al).
2.-Pr uebapr ev iadelcont rast edei gual dad dev arianzas.Sedi videnl as
cuasi var i
anzaso v arianzasmuest ral esi nsesgadas,poni endo l amay orenel
numer ador( arriba) .Elcont rast eesbi l
at eral, port ant ohayqueacudi ral ast abl as
de l a F buscando 1- α/ 2;t i
ene que haber mucha di f
er enci a ent r
el as
cuasi var i
anzaspar aqueseconsi der el adi f
er enci adev ar ianzaspobl aci onal es
significat i
v a.SielEC >VC,ser echazal ahi pót esisdequel asv arianzasson
i
gual es.Si esmenor , seacept a.
3.-Ni velpcr íti
co:Eselni veldesi gni fi
caci óndelest adí st i
codecont rast e,es
deci r,lapr obabi l
idad,si endoH0 ci erta,deobt enerunv alori gualomásext r
emo
queeldelECquehemoscal culado.Lat abl anosdasi empr el apr obabi lidadque
hayal ai zqui er da, poreso:
-Sielcont rast eesuni lat eralder echo, elni velpcr í
ticoes1–pr obabi li
dadde
l
at abla.Buscamoselv alordel apr obabi l
idadquehayenl acol ader echadelECy
l
at abl anosdal aquehayal ai zqui erda, poresor estamosde1el v alordel at abl a.
-Sielcont rast eesuni l
at er alizqui erdo, elni velpcr í
ticoeselv al
ordel at abl a,
yaquebuscamosel valorquehayenl acol ai zqui erdayesel quenosdal at abla
-Si esbi lat eral,(1–pr obabi l
idaddel at abl a)semul tipl i
capor2.
Cuandonocoi nci de,ent oncesseest abl ecer áelni v elpcr í
ticocomomay oro
46
menorqueeldel at abla, dependi endodesielECesmásgr andeomáspequeño
queel VC.
¡Hazt eelesquemadel agr áf icayr ay al aszonasdeacept aci ónyr echazo!En
elej ehor i
zont alest ánl osv al oresdelest adí st i
coyelár eadelej econl acur v aes
l
apr obabi l
i
dad.Regl ai nf ali
ble:Cuant oMÁSGRANDEeselv al orabsol utodelEC
(est ámásal ejadodel cent ro), MENOResel ni velpcr í
ticoyv icev ersa.Port ant oel
rechazodeH0espor que| EC| >|VC| ol oqueesl omi smo, porquep<α.
4. -ANOVAS.Hayquer el l
enarelSudoku.Sinosei dent i
f icabi enelt ipode
ANOVA que es ( unifact orialcon muest ras i ndependi ent es o r elaci onadas;
bifact orialídem) ,ay udar áempezarporelmássenci l
loysisobr andat os,ser áel
otro.Sepuedehaceralr evés:Sif al tandat os,l onor malesqueseaelmásf áci
l
.
Par al osgr adosdel i
ber tadempi ezaporelf i
nal,puesesf áci li dentificarN- 1.A
par ti
rdeahí ,seponenl osgr adosdel iber taddecadaf actor ,al ai nteracci ónyl a
diferenci aaler roroMCi nter .Luegosev ancal culandol oquef alte,t eni endoen
cuent aqueMC=SC/ g.l.yquel asumat otaldeg. l
.esN- 1, salv oenr egr esi ón, que
esN- 2.Nor mal ment el osgr adosdel iber taddeler rorol aSCINTER ser ánmucho
may or esquel osdel aSCINTRA.Fór mul aquef al t
a:SC=n· S2(númer odeel ement os
porl av ari
anza) .
5. -Model odeef ect osf ij
os- aleat or i
os.Ef ectosf ij
os:Sól oi nteresanl osdat os
par al osni velesdel osf act oresmanej ados.Ef ectosal eator ios,i nter esanpar a
cual esqui erani velesdel osf act or es.Encasodeduda, nocont est ar.
6. -Cont rastes en r egr esi ón l ineal :Son bi laterales ( sal v o elANOVA de
regr esión)yport antohayquef unci onarcon1- α/2.Elgr adodel iber taddel a
regr esiónsi mpl ees1yel t
ot al del osg. l
.,n- 2.
7. -Di sti
nci ónent r
ecor r
el aci ónsemi par cialypar cial.Enl asemi par ci alse
eli
mi nadeli nfl
ujodeunaVIenl aVD,eli nf l
ujodet odasl asdemásVI .Enl a
par cialse el imi na además eli nflujo de cual esqui era ot ras v ariabl es no
consi der adas( incluidaseneler ror ).Lascor r
elacionescal cul adassi nmás,es
deci rsi nel iminareli nflujodeot rasv ariabl esest énonoenelmodel o,noson
pur asysel l
amanbi variadasodeor dencer o.
8. -Elcoef iciente de cor relaci ón mi de elgr ado de asoci ación ent rel as
variabl es.Sucuadr adoescoef i
ci ent ededet erminaciónymi deelpor cent aj ede
variabi li
daddel aVDat r
ibuibl eal aVI .Sucompl ement arioeselcoef icient ede
ali
enaci ón y mi de elpor cent aje de v ar iabil
idad at ri
bui bleav ariabl es no
consi der adas( error).

Enelexamen,cr
eoqueesmejorempezarporlaspregunt
asdet eorí
ano
asoci
adasdir
ect
amenteal
ospr
obl
emas(ser
ánentr
e7-10)yluegoirr
esolv
iendo
l
assituaci
onesenqueest
emosmásseguros,dej
andoparaelf i
nall
oqueno
sal
ga.

Par
aaprobarsenecesi
tancomomí ni
mo13aci er
tosy1error(cont
est
ando
14)yapar
tirdeaquí14/3(
17) ,
15/5(20),
16/7(23)
.Hayquecontarconfri
aldad
l
asqueestánbien(l
asdepr oblemaslassabr
emossegurascasial100%)ei ra
47
asegurar
.Sisabemosocr eemosquet enemosbien16,hayquecont est
ar23,
porquecontest
ando24o25necesitar
íamos17par aapr obarycont
est
ando21o
22,también16.Encasodedudasenal gunaspregunt
as,hayqueelegiraquel
las
enlasquepodamosdescartarunar
espuest a,
esdeci
r,sólodudemosentre2.

48